【哈佛大学生物信息学与计算生物学】视频笔记

【哈佛大学生物信息学与计算生物学】视频笔记

目录

• 生物信息学研究浪潮
• Bioinfo vs Computational Biology
• Levels of Bioinfo / Comp Bio
• 生物信息学相关学科 & 技术
• FASTQ File
• fastqc对原始测序reads质控
• • Per Base Sequence Quality
  • Per Sequence Quality Distribution
  • Nucleotide Content Per Position
  • Per Sequence GC Content
• 局部比对算法
• RPKM、FPKM 、TPM
• RNA-Seq Read Distribution
• independent filtering
• FDR
• 聚类

生物信息学研究浪潮

1. 研究蛋白序列和结构
2. 基因表达（微阵列技术）
3. DNA测序

基因组测序成本下降非常快，可以用于个性化诊断，eg：肿瘤序列-靶向疗法

Bioinfo vs Computational Biology

1. 第一代测序：桑格测序 Sanger sequencing（需要扩增dna，并且每次只扩增一个分子，所以需要扩增很多次同一单链DNA的多个拷贝）

2. 第二代测序：大规模平行测序 Illumina Sequencing Cluster Generation（不需要将不同DNA分装到不同的管子当中进行扩增，可以将很多很多个分子倒在流动池上进行原位扩增，边合成边测序）如果需要产生很多很多的片段，需要了解定量水平，第二代测序更符合要求。
   

3. 第三代测序：真正的单分子测序，甚至再也不需要扩增dna。一般来讲，会使用聚合酶或微孔进行测序，然后根据acgt当中哪个核苷酸被结合或通过微孔而发出不同的信号。
   

Levels of Bioinfo / Comp Bio

学无止境！！！

生物信息学相关学科 & 技术

FASTQ File

1. 第一行 序列id
2. 第二行 真实序列
3. 第三行 序列名称，与第一行不同的前缀分别是@和+，@所在行代表路序列的名称（以及可选的描述内容）
   +后面可以是序列名，也可以为空
4. 第四行 序列值，由33个不同的ASCII字符表示
   ASCII数值所大致代表的Phred质量的计算公式是-10*log10 Pr（碱基对出错的概率）
   通常来说，质量值的数字越大，质量就越高，出错的概率越小。
   

fastqc对原始测序reads质控

Per Base Sequence Quality

高质量序列的碱基其实是高质量并连续出现的。

Per Sequence Quality Distribution

碱基对应质量值的分布

Nucleotide Content Per Position

在全基因组水平进行测序，每一种类型的碱基其占比应在25%左右。

Per Sequence GC Content

将实际的GC content与期望的GC content进行对比，右图意味着测序也许出现了问题。

局部比对算法

局部比对是一种序列比对技术，在该技术中，我们对比两个序列之间具有较高相似性的区域，即具有最高匹配密度的序列的延伸，这适用于更多部分相似且在序列之间具有保守区域的转向序列。

smith waterman算法是最常见的局部比对，属于动态规划，讲一个问题分解为更小更简单的子问题。

全局比对试图将整个序列彼此比对，而局部比对仅比对这些具有最高相似性。全局比对比对来自查询序列和目标序列的所有字母，而局部比对将目标序列的子串与查询序列的子串对齐。
因此，全局比对更适合密切相关的序列，而局部对比更适合发散或远相关的序列。

序列最常见的全局比对算法是needleman-wunsch，而局部比对是smith-waterman。

RPKM、FPKM 、TPM

三者都是衡量基因相对表达量
RPKM（Reads Per Kilobase per Million）
FPKM（Fragments Per Kilobase per Million）
TPM：Transcripts Per Kilobase per Million mapped reads (每千个碱基的转录每百万映射读取的Transcripts)
RPKM和FPKM的计算方法：第一步先将测序深度标准化，第二步是基因长度的标准化，即将第一步的read per million直接除以基因长度即可。
TPM的不同在于它的处理顺序是不同的。即先考虑基因长度，再考虑测序深度。

RNA-Seq Read Distribution

在芯片时代，RNA-Seq测序的reads分布，一般被认为是正态分布。
RNA-Seq测序得到的reads分布，一般符合泊松分布。

independent filtering

检测差异基因表达的方法是进行对每一个基因进行统计检验。

所谓的independent filtering，意思是在进行统计检验之前，筛掉那些不能或是很可能不能通过显著性检验的探针。independent filtering就是为了降低假设检验的假阴性。

FDR

与GO富集分析的差异在于GSEA分析不需要指定阈值（p值或FDR）来筛选差异基因。

聚类

heatmap(热力图)，通过颜色的深浅程度来判断不同类别间的差异，呈现不同特征间的聚类关系，通常用做聚类分析（如层次聚类，kmeans聚类等）。

Hierarchical Clustering(层次聚类)
自上而下：分裂法，初始时将所有的样本归为一个类簇，然后依据某种准则进行逐渐的分裂，直到达到某种条件或者达到设定的分类数目。
自下而上：凝聚法，初始时将每个样本点当做一个类簇，所以原始类簇的大小等于样本点的个数，然后依据某种准则合并这些初始的类簇，直到达到某种条件或者达到设定的分类数目。

K-means Clustering(k均值聚类)，基于样本集合划分的聚类算法。

Consensus Clustering(一致性聚类)，被广泛用于基于亚群鉴定和癌症分型等研究方向，采用重抽样方法打乱原始数据集，对每一次聚类的样本进行聚类分析，最后再综合评估多次聚类分析的结果给出一致性。