问题标签 [genome]

我想推断不同样本之间共享的基因组间隔。

我的输入：

我的预期输出：

其中“频率”是有多少样本有助于推断共享区域。在上面的示例中，freq = 2（NE001 和 NE002）。

干杯!

我想随机获得很多人类基因组片段（超过 5 亿个）。

这是整个过程的部分工作。我有来自 bowtie 的 .sam 结果文件，有 1000 万个人类基因组读取对齐。我想将每个查询读取与 sam 文件中的“它对齐的参考序列”进行比较。我使用的参考序列是来自 UCSC 的 hg19.fa。所以我需要能够通过使用 sam 文件中的位置从 hg19.fa （或染色体文件）中获取序列。

例如，给予：chr4:35654-35695，我可以获得 42bp 序列：

gtcttccagggtttttattatttttgggttttacacttaagt

到目前为止，我有 2 个解决方案： 1. 从 UCSC DAS 服务器获取序列的 python 脚本：http://genome.ucsc.edu/cgi-bin/das/hg19/dna?segment=chr4: 35654,35695

1. 使用 python 脚本调用“samtools faidx”命令并返回 commnad 输出，来自帖子： http ://seqanswers.com/forums/showthread.php?t=23606&highlight=fetch+genome+coordinate

但是，它们很慢。samtools faidx 比从 DAS 服务器获取它要快一些，但仍然很慢。

那么，有什么快速的方法可以做到这一点吗？我有单独的染色体 fasta 文件和 hg19.fa 文件。

目前，我正在努力解决我尚未解决的 AWK 问题。我有一个包含基因组数据的巨大文件（30GB），其中包含一个位置列表（在第 1 列和第 2 列中声明）和第二个包含多个范围的列表（在第 3、4 和 5 列中声明）。我想提取第一个文件中位置落在秒文件中声明的范围内的所有行。由于该位置仅在某个染色体（chr）内是唯一的，因此必须首先测试 chr 是否相同（即文件 1 中的 col1 与文件 2 中的 col3 匹配）

文件 1

文件 2

预期产出

我打算做的事情的总结（半编码）：

如果理解如何通过将 file1 放入一个数组并使用 position 作为索引来解决这个问题，我很高兴，但是我仍然对 chr 有问题，而且除了 file1 放入一个数组中的方式很大（尽管我有 128GB内存）。我用多维数组尝试了一些东西，但也无法真正弄清楚如何做到这一点。

非常感谢您的帮助。

2014 年 8 月 5 日更新在文件 2 中添加了第三行，其中包含相同色度中的另一个范围。就像第二行一样。在下面的脚本中跳过了这一行。

几个月来我一直在尝试弄清楚如何做到这一点，所以希望有人能给我一些澄清。我创建了一个 R 脚本，它显示了我的数据库基因表中的所有值。所以它给出了每个基因的长度（以核苷酸为单位），我将它水平放置。

主要思想是从另一个名为 QGRS 的表中获取值，其中包含每个 QGRS 的长度。我遇到的问题是一个基因上有很多 QGRS，所以我不知道如何使用 R 来显示这一点。可能有更好的方法，但我的想法是让水平基因长度条为一种颜色，并让 QGRS 长度以不同颜色出现在这些条上，以突出 QGRS 在基因上的位置。这适用于所有基因。我不明白如何在单个条上获取多个值，然后如何正确叠加两个图。

我希望这是有道理的。这是我所拥有的：

这是它输出的内容[长图！]：

** 注意，左边的数字被剪掉了一点，我不知道为什么......但它们是直接来自 NCBI 的基因 ID，只是将它们标记为的参考。

如果需要更多信息，请告诉我。请，任何帮助我将不胜感激。我真的试图寻找答案几个月（整个过去的学期），但我认为我在这方面不是很胜任。这对我来说太复杂了。

现在我知道我可以为 QGRS 制作另一个图表，但如果以同样的方式，它们每个都会出现在不同的线上！所以这没有帮助。

另外，我的基因表是这样工作的。对于人类基因组中的所有染色体，我每个染色体有 5 个基因（如果分别计算 X 和 Y，则为 24 个）。因此，如果需要，基因图也可以组合成只有 24 行，每行由 5 个基因组成，但我怀疑这是否有帮助。

- - - - 编辑 - - - - - -

这是来自基因表的样本数据，即 1 号和 2 号染色体的 5 个基因：

这是来自 QGRS 表的示例数据 [Gene '8682' 的几行 [上述示例数据中的第一行]

我有一个在某些物种中具有同源物的序列以及这些同源物的分数。

这是来自 gff 文件的示例记录：

==>4592637 => NAPP(Nucleic Acid Phylogenetic Profiling database) 序列 ID（不是 genbank id）

==>Beutenbergia_cavernae_DSM_12333 => 序列的物种名称

==>TILL => 序列类型

==>70731 .. 70780 => 序列的开始和结束

==>clst_id=429 => 是这个序列的簇id

==>SubjectOrganism => 序列与其有同源物的物种名称

==>SubjectScore => 该物种序列的同源物分数（Blastn 分数）

我想从SubjectOrganism序列（4592637）有相似之处的地方提取序列。

如何使用 Python 从序列具有同源物的基因组中提取序列？

我环顾四周，似乎之前没有发布任何关于此的问题。我有两个带有一些坐标的 GRanges 对象，我想从另一个中减去一个的间隔。这与使用 findOverlaps() 或使用 intersect() 查找重叠不同。

例如：

而且我要：

以下工作，但它非常笨拙，我必须逐个染色体地做它，因为每个染色体的间隔数在两个对象之间不匹配。

有没有一种更快、更有效的方法来整体使用这两个 GRange 对象？谢谢！

这并没有给我一个输出，虽然序列实际上是基因组的序列，所以我必须得到一个结果。错误在哪里？查询是否正确？

我想找到样本之间共享的完全相同的基因组间隔（NE_id）。

我的输入：

我的预期输出：

在这个例子中，chr2基因组区间有一些重叠，但是它不对应于完全相同的基因组区间（大小差异 == 10）。

非常感谢。

我有一个染色体格式的基因组位置列表：开始-结束

例如

我想按染色体编号和数字起始位置对其进行排序以获得：

在 perl 中执行此操作的好方法是什么？

I currently have two data tables one of which contains independent and control variables in columns while the other contains rows of dependent variables.

Can anybody help in creating a method to do linear models from the two tables that repeats for each row in the dependent value table?