RNASNP

快速开始

1. 创建envs中的conda环境，对于各个subworflow，配置好同名yaml内容

注意：

• trim_galore只是打包程序，需要确保cutadapt存在
• 物种名是动态变化的，在yaml中，相关文件的键需要根据metadata改变，如果物种名为有空格隔开，需要改空格为_，如Mus musculus -> Mus_musculus

2. 修改scripts下RNA-SNP_prepare.sh脚本，执行

3. 运行

snakemake -s workflow/RNA-SNP/run.smk --config indir=data/fq outdir=output metadata=data/target_fq.tsv --cores 45 --use-conda

4. 亮点

• 支持多个物种
• 支持单端测序和双端测序文件
• 统一的日志管理

注意：

• 双端测序文件： _R1*fastq , _R2*fastq or _R1*fq , _R2*fq _1*fastq , _2*fastq or _1*fq , _2*fq
• 单端测序文件：非双端测序文件模式
• 具体查看utils/fastq_utils.py

subworkflow详解

Align

1. 流程控制变量

• single_samples: 单端样本id列表
• paired_samples: 双端样本id列表
• single_sample_genome_pairs: 单端样本id，物种配对列表，如：[(SE_sample_id， organsim)……]
• paired_sample_genome_pairs: 双端样本id，物种配对列表，如：[(SE_sample_id， organsim)……]

Annovar

SNP

• XenofilterR_target_genome: 代表可能含有其它物种序列污染的样本列表，在示例流程中为用小鼠饲养层细胞培育的人类干细胞

StringTie

TEtranscripts

1. 流程控制变量

• single_sample_genome_pairs: 单端样本id，物种配对列表，如：[(SE_sample_id， organsim)……]
• paired_sample_genome_pairs: 双端样本id，物种配对列表，如：[(SE_sample_id， organsim)……]

XenofilterR

1. 流程控制变量

• XenofilterR_target_samples: 代表可能含有其它物种序列污染的样本列表，在示例流程中为用小鼠饲养层细胞培育的人类干细胞
• XenofilterR_target_genome: 代表目标物种，在示例流程中为人类
• XenofilterR_pollution_source_genome: 代表污染来源基因组字符串，在示例流程中为小鼠

解释：

• 各subworkflow变量需要在run.smk中定义，各subworkflow同名变量是同一个变量，均来自run.smk

参数详解

• --config
  • indir=value：指定 fastq.gz 输入路径
  • outdir=value：指定输出文件目录
  • metadata=value: 指定fastaq元信息，必须包含["Data_id","Sample_id","Organism"],详见utils/fastq_utils.py如何处理metadata

待改进之处

• 目前只支持一对污染物种运行，可以针对XenofilterR和SNP规则进行修改使其支持

设计规范

1. capability 以 最终结果 为中心设计; 每个 capability 只有一个 facade rule

2. 可替换实现用 include + config dispatch

3. schema / defaults 只声明，不参与运行

4. 文件命名通过 contract 函数统一管理

5. work/ ≠ results/，下游不碰中间态

6. 下游通过 rules.xxx.input 耦合能力，而不是路径

下游分析

annotation

• gene_id2name: 映射基因id到基因名称
• geneIDAnnotation: 注释基因id
• vcf_annovar: annovar注释vcf

count

• count: RNAseq count标准化
• normalization: r版本，待完善

download

• ascp_download: 通过ascp下载对应 sra id(run number)代表的fastq序列
• GSE_runinfo: 获取GSE对应的run信息
• GSM_metadata: 获取GSM对应信息
• GSM_resolver: 解析多种输入的 GSM id
• old/*: 一些旧有脚本，已通过python重构

function

• DESeq2: 批量差异分析
• gmt.py: GSEA富集分析
• go-kegg_back: GO,KEGG富集分析，绘制背对背柱状图
• go-kegg: GO,KEGG富集分析，绘制散点图
• gsea: GSEA富集分析
• TEsite_subfamily: 统计差异分析中TE subfamily情况

fusion

• fusionGeneAnnotation: 融合基因名称注释
• volcanoImportant: 融合基因火山图

gatk

• gatkPrepare: gatk上游分析shell脚本

map

• star: star比对shell脚本
• starPrepare: star建立索引shell脚本

plot

• heatmap: 热图
• pie: 饼状图
• violin: 小提琴图

SNP

• bash/*: 一些shell脚本
• count/*: count分析脚本
• python/*: 一些老旧Python脚本
• QC/*: 质量控制
• Rscript/*: 一些老旧R脚本
• Terr_RNA/*: 端粒转录序列分析
• vcf/*: vcf分析脚本

SV

• pbsv_sv_diff_analysis: 比较对照组和实验组结构变异类型差异情况
• PlaB_only: 比较实验组特有alt序列与对照组对应alt序列注释情况差异，绘制富集图，以及一些统计
• run_circos: 绘制vcf的结构变异circos图，注意vcf文件寻找模式替换
• utils/repeatmasker_analysis: 注释序列重复元件情况，比较不同序列注释结果
• utils/repeatmasker_plot: 绘制重复序列注释结果差异富集柱状图
• utils/SV_TYPE_plot: 绘制结构变异类型图
• utils/SV_TYPE: 统计vcf中结构变异情况

train

潜在因子分析