Jenny

clinvar数据库每周都会更新。 获取制表符分隔的变异结果： wget https://ftp.ncbi.nlm.nih.gov/pub/clinvar/tab_delimited/variant_summary.txt.gz 从中筛选致病和可能致病的CNV（GRCh37）的结果： grep -P "^#|GRCh37" variant_summary.txt | grep -P "^#|pathogenic\t|Pathogenic" | grep -P  "^#|copy number gain|copy number loss" > variant_summary_cnv.txt 另外，第二列是变异类型，可以先统计一下都有什么类型： cut -f 2 variant_summary.txt | sort | uniq 之前查到过一种说法，gain和loss在肿瘤学里指拷贝数的变化，deletion则指纯合缺失，duplication指加倍以上（比如2倍体的拷贝数是2，加倍的拷贝数就是4，加倍以上就是至少拷贝数为5）的扩增。 不过这只是一种说法，我也不是很确信，至少在clinvar里，CNV应该是标黄的两个。 del和dup啊insertion等变异的叫法真的很容易混淆（中文也混淆），别人经常那这些东西问我，问过还容易忘记，我嘴皮子都解释破了，还是按照大小来区分吧。 complex copy number gain copy number loss deletion duplication fusion indel insertion inversion NT expansion protein only short repeat single nucleotide variant Translocation Type undetermined variant

一、测序深度概率分布模型       只有理解测序深度分布模型，才能更好地理解测序数据，理解测序深度相关的分析，比如拷贝数变异检测、差异表达分析等。下文基于参考资料，加上自己的理解写成，理解的也不是很正确，欢迎留言指教。 1-多项分布 ki为某个region上比对的reads总数，一次测序好比从一个瓮中抽一个彩球，一个瓮就是一个pool，抽某个颜色的球的概率pi取决于彩球在瓮中的比例，如果抽样次数即测序总reads数N远远小于DNA模板数（即瓮中彩球总数），那么每种球抽到的个数（每个区域上的片段总数ki的向量)符合多项分布，每种球被抽到的概率pi是不会随着抽样次数N而改变的。但是随着我们测序通量的加大，测序的reads数有时候甚至能够超过模板数，因此这个模型可能不是太适用了。 2-二项分布和泊松分布 如果单独地考虑一个片段被测序的次数（一个球是否被抽到，不放回抽样），是否被测序（抽到没抽到）只有是否2个选项，测序彼此之间相互独立（每次抽相互独立，球与球之间不会互相干扰），区域i上测序reads数ki即符合二项分布，试验次数N即测序总reads数，成功概率取决于region i的片段占中片段的比例和测序的容易程度，pi会随着N而变化。N变大，pi变小，二项分布会收敛于泊松分布。实际的测序比较符合后者，因为现在的NGS里测序reads数都很大。 3-过度离散的泊松分布（复合泊松分布） 上述的理想实验描述了从一个非常大的DNA片段总体中重复抽样的过程，但是，重复抽样虽然可以作为技术重复的假设，却没办法作为生物学重复的假设。一个实验里的生物学重复就意味着生成了一个新的DNA片段总体，在这个新的样本总体里，基因组上不同区域上被抽样的概率p不是完全相同。因此虽然泊松近似的二项分布依然可以来描述一个单独的抽样，因为N依然很大，而pi很小，但是样本j在特征（比如区域）i上读断数的期望值E（Kij）会随着样本j而变化。测序深度符合泊松分布，测序深度的均值也符合泊松分布，所以就是复合泊松分布。而且因为方差大于均值，所以这个泊松分布是过度离散的。就是说不同样本同一个区域之间的reads数方差大于他们的均值。 为了构建这样一个模型，模型需要有以下的特征：       1）模型需要能够支持0...

今天学习RMarkdown(Win10笔电)，结果因为里面有中文就报错了。我试了yaml的header有中文和正文有中文都会报错，搜索看到文件存放路径含中文也会报错。 解决 1）查询语言设置是否中文 Sys.getlocale() [1] "LC_COLLATE=Chinese (Simplified)_China.936;LC_CTYPE=Chinese (Simplified)_China.936;LC_MONETARY=Chinese (Simplified)_China.936;LC_NUMERIC=C;LC_TIME=Chinese (Simplified)_China.936" 显然不是语言设置的问题 2）根据搜索到的结果，安装了rticles包（建议直接从github安装） 顺便：devtools使用代理需要设置： library(httr) set_config(   use_proxy(url="127.0.0.1", port=1080) #使用本机代理 ) 但是使用Ctex document模板在kniter渲染的时候还是报错了 3）根据Yihui Xie的建议，更新以下两个包到最新版本 devtools::install_github(c('rstudio/rmarkdown', 'yihui/tinytex')) tinytex::install_tinytex() 更新后重启R，用以下命令确认是否安装上tinytex tinytex:::is_tinytex() 然后就可以正确输出中文了。 *********************追加******************** rmarkdown::render('1.Rmd')  中文乱码问题 由于上述问题解决之后，kniter渲染html已经能正常显示中文，所以就是Rmd文件编码的问题。把Rmd文件另存为GB2312编码格式，就能正常显示中文了。 后来查到Yihui Xie说： 如果文件编码是 UTF-8，那么需要 rmarkdown::render('你的文件.Rmd', encoding = 'UTF...

合并同一个样本的两个vcf文件：bcftools concat -a <snp.vcf.gz> <indel.vcf.gz> 合并不同样本的vcf文件，合并的每个样本会在info后面体现：bcftools merge --force-samples  <s1.vcf.gz> <s2.vcf.gz> 拆分1000genome下载的PHASE3 vcf文件： for file in *.vcf*; do   for sample in `bcftools query -l $file`; do     bcftools view -c1 -Oz -s $sample -o ${file/.vcf*/.$sample.vcf.gz} $file   done done bcftools query -l vcf文件：可以列出vcf文件里的所有样本名称 bcftools view -c1 -Oz -s 样本名 -o 结果vcf   输入的vcf  ：可以把若干样本（逗号分隔）的vcf文件拆出来保存