概念回溯6. Run Length Encoding and Views除了可以表示特定位置的核酸序列之外,一个区间也可以有其他含义,每个碱基位置上可以有不同的数值含义,比如: 6.1 Run-length encoding and coverage()由于coverage数据通常都比较连续延绵(run),IRanges就用了一个名为 run-length encoding 的算法把值一样的位点重叠起来算作一个'run'(有没有想到一种数据格式?答案见文末,也可以参考我们生信菜鸟团公众号的“数据格式专题”栏目)。这样就可以把分辨率从单碱基缩小到若干碱基乃至一个很大的区域,这就大大节省了存储空间。打个比方就是把一条线很有规律地折叠起来,数值一样的点就算一个run(每个run长度可能不一样,但碱基上的覆盖度必然一样),像一个个山峰: 6.1.1首先用 Rle 将包含单碱基覆盖度信息序列转换为一个run的信息 > x <->->as.integer(c(4, 4, 4, 3, 3, 2, 1, 1, 1, 1, 1, 0, 0, 0,
0, 0, 0, 0, 1, 1, 1, 4, 4, 4, 4, 4, 4, 4))
> xrle <->->Rle(x)
> xrle
integer-Rle of length 28 with 7 runs
Lengths: 3 2 1 5 7 3 7
Values : 4 3 2 1 0 1 4
由于xrle本质上也是IRange的子类,所以同样地,我们也可以对压缩好的数据 xrle 进行IRanges的常规操作: > as.vector(xrle)
[1] 4 4 4 3 3 2 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 4 4 4 4 4 4 4
> xrle/2 ## 注意runlength不变,值减少为原来的一半
numeric-Rle of length 28 with 7 runs
Lengths: 3 2 1 5 7 3 7
Values : 2 1.5 1 0.5 0 0.5 2
> xrle[xrle > 3]
> runLength(xrle) ## 获得每个run的长度
[1] 3 2 1 5 7 3 7
> runValue(xrle) ## 获得每个run里碱基的覆盖度
[1] 4 3 2 1 0 1 4
6.1.2rle 能直接压缩一条序列上的信息,但是如何得到一段序列上若干reads的覆盖度信息呢?
另一种更接地气的问法就是“如何从原始测序数据获得一段特定序列上run-length格式的coverage数据?”。答案如下,关键是 coverage 这个函数。同时IRanges也提供了统计一段区域上run信息的方法,参考第三段代码。 # 1. 造reads,获得含有coverage信息的序列
> set.seed(0)
> rngs <->->IRanges(start=sample(seq_len(60), 10), width=7) ## 模拟70条长度为7的序列
> names(rngs)[9] <->->'A' # label one range for examples later
> rngs_cov <- coverage(rngs)="">->## coverage提取reads覆盖度信息
> rngs_cov
integer-Rle of length 63 with 18 runs
Lengths: 11 4 3 3 1 6 4 2 5 2 7 2 3 3 1 3 2 1
Values : 0 1 2 1 2 1 0 1 2 1 0 1 2 3 4 3 2 1
# 这是一个长度为63bp的序列,由18个run组成,参考上图,可以发现有18条横线
# 2. 同样可以取子集
> rngs_cov > 3 # where is coverage greater than 3?
logical-Rle of length 63 with 3 runs
Lengths: 56 1 6
Values : FALSE TRUE FALSE
> rngs_cov[as.vector(rngs_cov) > 3] # extract the depths that are greater than 3
integer-Rle of length 1 with 1 run
Lengths: 1
Values : 4
# 3. 取出某个区域的run信息
> rngs_cov[rngs['A']] #step1中命名为A一个reads
integer-Rle of length 7 with 2 runs
Lengths: 5 2
Values : 2 1
# 4. 看看这个reads周围的特征,比如丰度之类
> mean(rngs_cov[rngs['A']])
[1] 1.714286
小结-Coverage节 很多生物学的问题追根溯源可以归结为遗传和表观遗传问题,但他们都离不开二级结构的特征分析,我们可以问一些问题,比如发生遗传突变的位置是不是少了某些蛋白质的结合?是不是突变的序列导致的?那么这些序列有什么特征呢?GC content/nucleotide diversity等等都是值得追问的;除了探索为止序列(测序结果),我们还可以看实验变量带来的已知序列上的特征改变,比如重复元件、蛋白编码区、低重组区域上的甲基化水平、组蛋白修饰水平或者染色质开放程度的改变。关键还是要探究变量可能带来的影响。 一旦我们把改变量化到区间或者序列上,分辨率降低,计算因此也变得相对高效。GenomicRanges也提供相类似的功能。 6.2 Going from run-length encoded sequences to ranges with slice()Rle 可以把区域信息pileup起来,pileup的数据需要做一定的过滤,比如碱基的coverge至少要为某个值,这就需要用 slice 函数去处理获得的run信息。 slice 很形象,可以想象在峰图上画一条水平线,保留在水平线以上的区域,因此获得的信息多是连续的run。被slice过的rle称为 view ,属于一个序列的一部分,特征是存在一个个峰。
> min_cov2 <- slice(rngs_cov,="" lower="">->2)
> min_cov2
Views on a 63-length Rle subject
views:
start end width
[1] 16 18 3 [2 2 2]
[2] 22 22 1 [2]
[3] 35 39 5 [2 2 2 2 2]
[4] 51 62 12 [2 2 2 3 3 3 4 3 3 3 2 2]
6.3 Advanced IRanges: Views我们使用 slice 获得 rngs_cov 中run的子集或者并集,得到了一个覆盖度大于一定值的 view 。某种意义上, view 是的 rngs_cov 子类,这个子类继承了父类的方法,但是在 view 中,可用的方法前面都要加一个view,比如 viewMaxs , viewMeans , viewApply 。 > viewMeans(min_cov2) # 统计coverage>2连续区间上覆盖reads的平均值
[1] 2.000000 2.000000 2.000000 2.666667
> viewMaxs(min_cov2) # 统计coverage>2连续区间上覆盖reads数的最大值
[1] 2 2 2 4
> viewApply(min_cov2, median)
[1] 2 2 2 3
除了根据覆盖度可以筛选特定区域,我们也可以把一个区域分成若干个window/bin,统计每个window信息 > length(rngs_cov)
[1] 63
> bwidth <->->5L # 设定bin宽度为5bp
> end <- bwidth="" *="" floor(length(rngs_cov)="" bwidth)="">-># 获得序列最后一个位置信息
> windows <->->IRanges(start=seq(1, end, bwidth), width=bwidth) # 根据start, end和binWidth制定windows
> head(windows)
IRanges of length 6
start end width
[1] 1 5 5
[2] 6 10 5
[3] 11 15 5
[4] 16 20 5
[5] 21 25 5
[6] 26 30 5
> cov_by_wnd <->->Views(rngs_cov, windows) # 用Views获得rngs_cov上我们指定的windows上的信息
> head(cov_by_wnd)
Views on a 63-length Rle subject
views:
start end width
[1] 1 5 5 [0 0 0 0 0]
[2] 6 10 5 [0 0 0 0 0]
[3] 11 15 5 [0 1 1 1 1]
[4] 16 20 5 [2 2 2 1 1]
[5] 21 25 5 [1 2 1 1 1]
[6] 26 30 5 [1 1 1 0 0]
> viewMeans(cov_by_wnd) #就可以得到均等区间上的平均信号啦!
[1] 0.0 0.0 0.8 1.6 1.2 0.6 0.8 1.8 0.2 0.4 2.4 3.2
7. Storing Genomic Ranges with GenomicRangesGenomicRanges 在 IRanges 基础上加了一类 GRanges 对象用于储存序列信息,它在 IRanges 基础上加入了其他两类信息用来指明基因组信息:序列名称比如染色体号以及正负链信息。 小编再次提示,假如不明白什么是genomic range,请阅读我们生信菜鸟团公众号里“生物数据格式专题”。
在指明序列的基础上,我们需要用 metadata columns 指明GRanges上的除了序列信息之外的额外信息,比如gc含量,覆盖度。所有metadata数据都存储在 DataFrame 里,区别于R里的data.frame,支持更多了列类型,比如: run-length encoded vectors identifiers and names: 转录本、snp信息、外显子名称等等 annotation data: GC 含量、重复序列信息、保守性打分等等 假如是比对的reads信息,还可以存储Q30和gap数啊,真是妙用!
'the union of genomic location with any type of data is what makes GRanges so powerful'
> library(GenomicRanges)
> gr <->->GRanges(seqname=c('chr1', 'chr1', 'chr2', 'chr3'),
+ ranges=IRanges(start=5:8, width=10),
+ strand=c('+', '-', '-', '+'))
> gr
GRanges object with 4 ranges and 0 metadata columns:
seqnames ranges strand
Rle> IRanges> Rle>
[1] chr1 [5, 14] +
[2] chr1 [6, 15] -
[3] chr2 [7, 16] -
[4] chr3 [8, 17] +
-------
seqinfo: 3 sequences from an unspecified genome; no seqlengths
#2. 再加点料,比如gc数目, 注意gc是metadata哦,所以有`|`分割
> gr <->->GRanges(seqname=c('chr1', 'chr1', 'chr2', 'chr3'),
ranges=IRanges(start=5:8, width=10),
strand=c('+', '-', '-', '+'), gc=round(runif(4), 3))
> gr
GRanges object with 4 ranges and 1 metadata column:
seqnames ranges strand | gc
Rle> IRanges> Rle> |
[1] chr1 [5, 14] + | 0.238
[2] chr1 [6, 15] - | 0.45
[3] chr2 [7, 16] - | 0.236
[4] chr3 [8, 17] + | 0.49
-------
seqinfo: 3 sequences from an unspecified genome; no seqlengths
#3. 如何解决“seqinfo: 3 sequences from an unspecified genome; no seqlengths”?
## strategy1
seqlens <- c(chr1="">->152, chr2=432, chr3=903)
gr <->->GRanges(seqname=c('chr1', 'chr1', 'chr2', 'chr3'),
ranges=IRanges(start=5:8, width=10),
strand=c('+', '-', '-', '+'),
gc=round(runif(4), 3),
seqlengths=seqlens)
## strategy2
> seqlengths(gr) <- seqlens="">-># another way to do the same as above
#4.基本操作
start(gr)
end(gr)
width(gr)
seqnames(gr)
strand(gr)
ranges(gr)
length(gr) #4
names(gr) <->->1:length(gr)]
start(gr) > 7
table(seqnames(gr)) # 有多少条seq,比如染色体
#5. metadata相关操作,可以计算子集的各种metadata的统计信息
mcols(gr) #metadata的列信息
mcols(gr)$gc
> mcols(gr)$gc #等价
[1] 0.897 0.266 0.372 0.573
> gr$gc
[1] 0.897 0.266 0.372 0.573
> mcols(gr[seqnames(gr) == 'chr1'])$gc
[1] 0.897 0.266
> mean(mcols(gr[seqnames(gr) == 'chr1'])$gc)
[1] 0.5815
8. Grouping Data with GRangesList我们可以使用 GRangesList 或 c() 把 GRanges 对象整合到列表中。 seqnames() , start() , end() , width() , ranges() , strand() 也都可以用。 > gr1 <->->GRanges(c('chr1', 'chr2'), IRanges(start=c(32, 95), width=c(24, 123)))
> gr2 <->->GRanges(c('chr8', 'chr2'), IRanges(start=c(27, 12), width=c(42, 34)))
> grl <->->GRangesList(gr1, gr2)
> doubled_grl <- c(grl,="">->
> length(doubled_grl)
# 操作grl: 根据染色体信息split grl
> chrs <->->'chr3', 'chr1', 'chr2', 'chr2', 'chr3', 'chr1')
> gr <->->GRanges(chrs, IRanges(sample(1:100, 6, replace=TRUE),
width=sample(3:30, 6, replace=TRUE)))
> head(gr)
GRanges with 6 ranges and 0 metadata columns:
seqnames ranges strand
Rle> IRanges> Rle>
[1] chr3 [90, 93] *
[2] chr1 [27, 34] *
[3] chr2 [38, 44] *
[4] chr2 [58, 79] *
[5] chr3 [91, 103] *
[6] chr1 [21, 44] *
---
seqlengths:
chr3 chr1 chr2
NA NA NA
> gr_split <- split(gr,="">->
> gr_split[[1]]
GRanges with 4 ranges and 0 metadata columns:
seqnames ranges strand
Rle> IRanges> Rle>
[1] chr3 [90, 93] *
[2] chr3 [91, 103] *
[3] chr3 [90, 105] *
[4] chr3 [95, 117] *
---
seqlengths:
chr3 chr1 chr2
NA NA NA
> names(gr_split)
[1] 'chr3' 'chr1' 'chr2
# lapply操作 grl
> lapply(gr_split, function(x) order(width(x)))
$chr3
[1] 1 2 3 4
$chr1
[1] 1 2
$chr2
[1] 1 4 2 3
> sapply(gr_split, function(x) min(start(x)))
chr3 chr1 chr2
90 21 38
> sapply(gr_split, length)
chr3 chr1 chr2
4 2 4
> elementLengths(gr_split)
chr3 chr1 chr2
4 2 4
9. Working with Annotation Data: GenomicFeatures and rtracklayer这节主要讲了两个包,他们的核心就是GenomicRanges的各种扩展。 一个是 GenomicFeatures ,其工作基础是菜鸟团前期介绍过的一个注释数据库 TranscriptDb ,有各种transcript的信息。 另一个包 rtracklayer 能够导入和导出许多常见的文件类型,BED,WIG,GTF,还能查询和导航UCSC genome Browser rtracklayer包含测序所用BED文件。
emmm,其实,这两个包我们之前都已经有专门提到过啦,详见前期推送的两个相关专题: R专题和Bioconductor注释专题,小菜鸟们务必参考一下 Practices6~9 小节主要讲了两个range对象和注释相关的包,我们对Range已经相对了解,知道它可以以Rle这种压缩数据的方法存储,接下来就是一些简单的使用。Buffalo在github上共享了一个gtf文件(Musmusculus.GRCm38.75chr1.gtf.gz),书里就以这个数据为例讲了一些简单的实战。 无论如何,先读取数据吧 > library(rtracklayer);library(GenomicRanges)
> mm_gtf <->->import('Mus_musculus.GRCm38.75_chr1.gtf.gz') #rtracklayer功能请看之前的推送~
> colnames(mcols(mm_gtf)) # metadata columns read in
[1] 'source' 'type' 'score'
[4] 'phase' 'gene_id' 'gene_name'
[7] 'gene_source' 'gene_biotype' 'transcript_id'
[10] 'transcript_name' 'transcript_source' 'tag'
[13] 'exon_number' 'exon_id' 'ccds_id'
[16] 'protein_id'
随机取一些基因做测试对象,以及输出方法示例 > set.seed(0)
> pseudogene_i <- which(mm_gtf$gene_biotype="=">->'pseudogene' & mm_gtf$type == 'gene')
> pseudogene_sample <- sample(pseudogene_i,="">->5)
> export(mm_gtf[pseudogene_sample], con='five_random_pseudogene.gtf', format='GTF') #输出GTF
> bed_data <->->
> mcols(bed_data) <- null="">-># clear out metadata columns
> export(bed_data, con='five_random_pseudogene.bed', format='BED') #输出BED
下期终于要引来Ranges的终章:练习篇!
自己看了一些,感觉有些还是需要多拿数据练习,边学边用才比较能理解其含义,大家不妨自己下些数据来练练手。
|