R/BioC序列处理之四:BSgenome简介
一、BSgenome和BSgenome数据包
Bioconductor提供了某些物种的全基因组序列数据包,这些数据包是基于Biostrings构建的,称为BSgenome数据包。不同物种的BSgenome数据包都有类似的数据结构,可以用统一的方式进行处理。但是BSgenome数据包仅包含有数据,它们的处理的方法由另外一个软件包提供,即BSgenome包。
先安装BSgenome包(如果没有安装):
library(BiocInstaller) biocLite("BSgenome")
载入BSgenome包,并查看当前版本提供的BSgenome数据包:
library(BSgenome) (ag <- available.genomes())
## [1] "BSgenome.Alyrata.JGI.v1" ## [2] "BSgenome.Amellifera.BeeBase.assembly4" ## [3] "BSgenome.Amellifera.UCSC.apiMel2" ## [4] "BSgenome.Athaliana.TAIR.04232008" ## [5] "BSgenome.Athaliana.TAIR.TAIR9" ## [6] "BSgenome.Btaurus.UCSC.bosTau3" ## [7] "BSgenome.Btaurus.UCSC.bosTau4" ## [8] "BSgenome.Btaurus.UCSC.bosTau6" ## [9] "BSgenome.Celegans.UCSC.ce10" ## [10] "BSgenome.Celegans.UCSC.ce2" ## [11] "BSgenome.Celegans.UCSC.ce6" ## [12] "BSgenome.Cfamiliaris.UCSC.canFam2" ## [13] "BSgenome.Cfamiliaris.UCSC.canFam3" ## [14] "BSgenome.Dmelanogaster.UCSC.dm2" ## [15] "BSgenome.Dmelanogaster.UCSC.dm3" ## [16] "BSgenome.Drerio.UCSC.danRer5" ## [17] "BSgenome.Drerio.UCSC.danRer6" ## [18] "BSgenome.Drerio.UCSC.danRer7" ## [19] "BSgenome.Ecoli.NCBI.20080805" ## [20] "BSgenome.Gaculeatus.UCSC.gasAcu1" ## [21] "BSgenome.Ggallus.UCSC.galGal3" ## [22] "BSgenome.Ggallus.UCSC.galGal4" ## [23] "BSgenome.Hsapiens.UCSC.hg17" ## [24] "BSgenome.Hsapiens.UCSC.hg18" ## [25] "BSgenome.Hsapiens.UCSC.hg19" ## [26] "BSgenome.Mmulatta.UCSC.rheMac2" ## [27] "BSgenome.Mmusculus.UCSC.mm10" ## [28] "BSgenome.Mmusculus.UCSC.mm8" ## [29] "BSgenome.Mmusculus.UCSC.mm9" ## [30] "BSgenome.Ptroglodytes.UCSC.panTro2" ## [31] "BSgenome.Ptroglodytes.UCSC.panTro3" ## [32] "BSgenome.Rnorvegicus.UCSC.rn4" ## [33] "BSgenome.Rnorvegicus.UCSC.rn5" ## [34] "BSgenome.Scerevisiae.UCSC.sacCer1" ## [35] "BSgenome.Scerevisiae.UCSC.sacCer2" ## [36] "BSgenome.Scerevisiae.UCSC.sacCer3" ## [37] "BSgenome.Tgondii.ToxoDB.7.0"
# 当前版本提供了18个物种的37个基因组包 unique(gsub("BSgenome\\.([^\\.]+).*", "\\1", ag))
## [1] "Alyrata" "Amellifera" "Athaliana" "Btaurus" ## [5] "Celegans" "Cfamiliaris" "Dmelanogaster" "Drerio" ## [9] "Ecoli" "Gaculeatus" "Ggallus" "Hsapiens" ## [13] "Mmulatta" "Mmusculus" "Ptroglodytes" "Rnorvegicus" ## [17] "Scerevisiae" "Tgondii"
获取拟南芥的BSgenome数据包(BSgenome.Athaliana.TAIR.TAIR9):
biocLite("BSgenome.Athaliana.TAIR.TAIR9")
载入BSgenome.Athaliana.TAIR.TAIR9包,查看数据信息:
library(BSgenome.Athaliana.TAIR.TAIR9) # BSgenome.Athaliana.TAIR.TAIR9只定义了一个对象 ls("package:BSgenome.Athaliana.TAIR.TAIR9")
## [1] "Athaliana"
# 查看总体信息 Athaliana
## Arabidopsis genome ## | ## | organism: Arabidopsis thaliana (Arabidopsis) ## | provider: TAIR ## | provider version: TAIR9 ## | release date: June 9, 2009 ## | release name: TAIR9 Genome Release ## | ## | sequences (see '?seqnames'): ## | Chr1 Chr2 Chr3 Chr4 Chr5 ChrM ChrC ## | ## | (use the '$' or '[[' operator to access a given sequence)
# 不载入序列就可以获取染色体名称和长度信息 seqnames(Athaliana)
## [1] "Chr1" "Chr2" "Chr3" "Chr4" "Chr5" "ChrM" "ChrC"
seqlengths(Athaliana)
## Chr1 Chr2 Chr3 Chr4 Chr5 ChrM ChrC ## 30427671 19698289 23459830 18585056 26975502 366924 154478
二、BSgenome方法
BSgenome数据包内包含的序列为DNAString,DNAStringSet或MaskedDNAString对象,完全可以使用Biostrings包的方法进行处理:
# 可以使用多种方式获取某一序列 Athaliana$Chr1
## 30427671-letter "DNAString" instance ## seq: CCCTAAACCCTAAACCCTAAACCCTAAACCTCTG...TAGGGTTTAGGGTTTAGGGTTTAGGGTTTAGGG
Athaliana[[1]]
## 30427671-letter "DNAString" instance ## seq: CCCTAAACCCTAAACCCTAAACCCTAAACCTCTG...TAGGGTTTAGGGTTTAGGGTTTAGGGTTTAGGG
Athaliana[["Chr1"]]
## 30427671-letter "DNAString" instance ## seq: CCCTAAACCCTAAACCCTAAACCCTAAACCTCTG...TAGGGTTTAGGGTTTAGGGTTTAGGGTTTAGGG
下面使用sapply函数统计碱基组成和GC含量。如果不熟悉sapply函数,请参考这篇文章。
# 统计碱基组成 sapply(seqnames(Athaliana), function(x) alphabetFrequency(Athaliana[[x]]))
## Chr1 Chr2 Chr3 Chr4 Chr5 ChrM ChrC ## A 9709674 6315641 7484757 5940546 8621974 102464 48546 ## C 5435374 3542973 4258333 3371349 4832253 82661 28496 ## G 5421151 3520766 4262704 3356091 4858759 81609 27570 ## T 9697113 6316348 7448059 5914038 8652238 100190 49866 ## M 76 5 2 1 0 0 0 ## R 36 7 4 0 0 0 0 ## W 124 18 2 0 0 0 0 ## S 30 3 1 0 0 0 0 ## Y 82 12 2 0 0 0 0 ## K 53 10 0 0 0 0 0 ## V 0 0 0 0 0 0 0 ## H 0 0 0 0 0 0 0 ## D 0 0 0 1 0 0 0 ## B 0 0 0 0 0 0 0 ## N 163958 2506 5966 3030 10278 0 0 ## - 0 0 0 0 0 0 0 ## + 0 0 0 0 0 0 0
# 计算GC含量 sapply(seqnames(Athaliana), function(x) letterFrequency(Athaliana[[x]], letters = "GC", as.prob = TRUE))
## Chr1.G|C Chr2.G|C Chr3.G|C Chr4.G|C Chr5.G|C ChrM.G|C ChrC.G|C ## 0.3568 0.3586 0.3632 0.3620 0.3593 0.4477 0.3629
但是BSgenome包试图提供一些简便的方法来处理基因组水平的BSgenome类数据,例如类似于apply函数的bsapply函数。要使用bsapply函数得先构建BSParams类对象,用于设置以下参数:
- X:将要处理的BSgenome对象
- FUN:将要对X中每条染色体进行处理函数
- exclude:字符向量,表示排除的染色体名称
- simplify:逻辑向量,它的意义和与sapply的simplify参数一样。默认为FALSE,bsapply返回GenomeData类数据;如果设置为TRUE,函数的结果尽量使用表格(数据框)类型显示
- maskList:逻辑向量,表示各染色体使用掩膜的应用状态
- motifList:字符向量,对序列进行掩膜的motif
- userMask:RangesList对象,每个元素将用于对响应染色体进行掩膜处理,为用户提供额外的掩膜。
- invertUserMask:TRUE/FALSE,表示是否对userMask进行反转。
FUN函数的其他参数可以在bsapply函数中以有名参数的方式进行设置。 下面代码的作用和前面sapply函数的应用是相同的:
op <- options() options(digits = 4) params <- new("BSParams", X = Athaliana, FUN = letterFrequency, simplify = TRUE) bsapply(params, letters = "GC", as.prob = TRUE)
## Chr1.G|C Chr2.G|C Chr3.G|C Chr4.G|C Chr5.G|C ChrM.G|C ChrC.G|C ## 0.3568 0.3586 0.3632 0.3620 0.3593 0.4477 0.3629
BSParams是S4类,对象数据可以修改,方便重复使用:
params@motifList <- "N" bsapply(params, letters = "GC", as.prob = TRUE)
## Chr1.G|C Chr2.G|C Chr3.G|C Chr4.G|C Chr5.G|C ChrM.G|C ChrC.G|C ## 0.3587 0.3586 0.3633 0.3620 0.3594 0.4477 0.3629
options(op) params@FUN <- alphabetFrequency bsapply(params, baseOnly = TRUE)
## Chr1 Chr2 Chr3 Chr4 Chr5 ChrM ChrC ## A 9709674 6315641 7484757 5940546 8621974 102464 48546 ## C 5435374 3542973 4258333 3371349 4832253 82661 28496 ## G 5421151 3520766 4262704 3356091 4858759 81609 27570 ## T 9697113 6316348 7448059 5914038 8652238 100190 49866 ## other 401 55 11 2 0 0 0
BSgenome包实现了BSgenome类对象的matchPWM,countPWM,vmatchPattern,vcountPattern,vmatchPDict和vcountPDict等操作,除继承了Biostrings中相应的方法外还增加了一些针对BSgenome类对象的参数设置(和bsapply函数参数类似):
vmatchPattern("ACGTGKC", Athaliana, fix = "subject", exclude = c("ChrC", "ChrM"))
## GRanges with 13745 ranges and 0 metadata columns: ## seqnames ranges strand ## ## [1] Chr1 [ 1540, 1546] + ## [2] Chr1 [ 8276, 8282] + ## [3] Chr1 [12017, 12023] + ## [4] Chr1 [14697, 14703] + ## [5] Chr1 [34225, 34231] + ## ... ... ... ... ## [13741] Chr5 [26911361, 26911367] - ## [13742] Chr5 [26915247, 26915253] - ## [13743] Chr5 [26917155, 26917161] - ## [13744] Chr5 [26923565, 26923571] - ## [13745] Chr5 [26933617, 26933623] - ## --- ## seqlengths: ## Chr1 Chr2 Chr3 Chr4 Chr5 ChrM ChrC ## 30427671 19698289 23459830 18585056 26975502 366924 154478
BSgenome包还提供了其他一些方法,比如用户自行构建BSgenome数据包和SNP的处理等。这些不在我的关心范围之内,没去了解。
R/BioC序列处理之四:BSgenome简介相关推荐
- R/BioC序列处理之五:Rle和Ranges
(本文已于2015.09.08更新) 生物序列信息不仅仅指序列本身,它们还包括其他类型的信息,如基因都定位在哪些序列(染色体)上,正链还是负链,什么位置,其他数据库对应的编号是什么,有什么功能等等.下 ...
- r语言抓取网页数据_使用R进行网页抓取的简介
r语言抓取网页数据 by Hiren Patel 希伦·帕特尔(Hiren Patel) 使用R进行网页抓取的简介 (An introduction to web scraping using R) ...
- 短序列拼接软件velvet简介
简介 Velvet是处理从头测序(de novo)基因组组装及短读长序列比对的一个算法包. 这是使用德布鲁因图通过消调试误和化简重复区域而来进行基因组序列组装. Geneious.MacVector. ...
- r语言和rstudio_R和RStudio简介
r语言和rstudio With increased computing power comes increased access to large amounts of freely accessi ...
- BSgenome简介
一.BSgenome和BSgenome数据包 Bioconductor提供了某些物种的全基因组序列数据包,这些数据包是基于Biostrings构建的,称为BSgenome数据包.不同物种的BSgeno ...
- R语言笔记一:R软件的下载、界面简介、帮助文档
如何使用R软件求解统计问题? 一.R软件简介 R是一个有着统计分析功能及强大作图功能的软件系统.R既是一种软件也可以说是一种语言. R软件是完全免费的,我们可以通过R软件网站(https://www. ...
- R语言系列:多元统计分析简介
2019独角兽企业重金招聘Python工程师标准>>> 1.主成分分析 princomp(x, cor=FALSE) #x可以是矩阵或数据框 #cor=FALSE使用协方差阵 ...
- R语言基础入门(全)
R 是门语言,也是个环境.个人认为R有点像matlab. R自带多种统计学及数字分析功能.R的功能也可以通过安装包(Packages,用户撰写的功能)增强,个人感觉这个就是插件.因为S的血缘,R比其他 ...
- 光线追踪渲染实战(五):低差异序列与重要性采样,加速收敛!
项目代码仓库: GitHub:https://github.com/AKGWSB/EzRT gitee:https://gitee.com/AKGWSB/EzRT 目录 前言 1. 低差异序列介绍 2 ...
- 简单粗暴,微生物生态研究中常用数据库简介--转载
微生物生态(MicrobialEcology),又名环境微生物(Environmental Microbiology),是研究微生物之间及其与环境之间相互关系的学科.从生物角度,其研究对象主要有真核微 ...
最新文章
- 免息月供137元,新iPhone SE有7大理由值得买!但反对只需这1个就够了
- 【Linux开发】linux设备驱动归纳总结(四):5.多处理器下的竞态和并发
- 记录kafka-flink bug
- 每日一笑 | 床上还是桌上,你总得选一样~
- python函数在传参的时候,到底在传些什么?
- 【word基础知识】word转pdf时出现空白页如何删除?
- centos编译安装python_CentOS编译安装Python3
- 阅读java文件_阅读与阅读写文件 - Java空格
- 一个计算器--支持去空格
- 统计学的Python实现-005:最大值、最小值、极差
- R16之Access to Unlicensed Spectrum(3)
- 基于MATLAB的求解线性方程组(附完整代码和例题)
- 往后余生(简单的歌词分享)
- 我在国企做软件开发这4年。。
- java框架013——Spring AOP面向切面编程
- 手游平台源码有什么用处?
- 什么是服务熔断,什么是服务降级?
- 网易2018校园招聘:字符串碎片 [python]
- 私人定制情人节告白网站并且部署上线,谁说程序员没有爱!超详细步骤!源码分享!
- 怀旧动画之《嘿!奔奔》
热门文章
- 自媒体视频剪辑12大技巧分享
- python3爬虫教程
- vmware安装win10并使用xshell成功连接及虚拟机中win10设置静态ip
- 网上银行显示本服务器只显示,使用企业网上银行时常见报错提示有哪些,怎么解决?...
- 爬虫进阶之路---处理滑块验证码(以解决极验平台的滑动验证码为例[附带本项目源码!],通过率百分之九十以上!!!)
- st计算机编程语言,初学ST语言,有了这篇ST编程语言的相关知识就容易多了~
- 你理解的智能家居就是智能家居么?
- 简要介绍随机森林原理
- Excel 对比两列数据大小 大于等于 高亮显示
- ps4插html屏幕不亮光,ps4连接显示器怎么老是黑屏