不同转录组数据处理流程对生物学意义挖掘的影响

Posted on by

转录组数据处理流程大家应该是耳熟能详了，拿到了测序fastq数据，质量控制，比对，然后定量拿到表达矩阵即可走差异分析流程，
初学者很容易在这个流程里面迷失，因为每个步骤都有十几款软件可以选择，都是好几个参数可以调整， 看起来非常的随心所欲。实际上如果你项目经验丰富，就会理解很多步骤确实是可以随心所欲，因为它并不会对数据分析的结果造成太大的影响。而只要不影响对生物学意义的判断，中间过程马虎一点对初学者来说是一个好事，极大的减少了学习负担。
但是人不可能永远是初学者，但凡有点追求的绝不可能满足于仅仅是跑流程，而且这样的跑流程现在大部分都是被云平台给替代了，如果你不想中年失业，就得想办法自救，突破自己的舒适区。比如可以多看看相关综述，这里给大家推荐一个2020年10月发表的，文章是《Impact of RNA-seq data analysis algorithms on gene expression estimation and downstream prediction》，链接： https://www.nature.com/articles/s41598-020-74567-y
这个综述系统性评价了 美国FDA领导的的 Sequencing Quality Control (SEQC) 计划里面的 278个转录组测序数据的处理，涵盖了：

  • 13 sequence mapping,
  • three quantification,
  • seven normalization methods
    主要是3个评价维度，包括： accuracy, precision, and reliability，如果你也想做自己的软件评价课题，这是一个非常好的参考文献哦！
    如果你对 Sequencing Quality Control (SEQC) 计划 比较陌生，可以先去看看 FDA-led microarray quality control project (MAQC-I)，其实就是芯片表达技术替换成了转录组测序技术，相信在不久的将来也会出现单细胞的质量控制计划。
    其实类似的不同转录组数据处理流程评价综述超级多了，随意列举几个如下所示 ：
  • A. RNA-seq gene profiling-a systematic empirical comparison. PLoS ONE 9, e107026 (2014).
  • A comprehensive comparison of RNA-Seq-based transcriptome analysis from reads to differential gene expression and cross-comparison with microarrays: A case study in Saccharomyces cerevisiae. Nucleic Acids Res. 40, 804 (2012).
  • Gaining comprehensive biological insight into the transcriptome by performing a broad-spectrum RNA-seq analysis. Nat. Commun. 8, 59. https://doi.org/10.1038/s41467-017-00050-4 (2017).
    本次测评，作者也给出来了一些软件列表：
    image-20210613102150081
    可以看到，很多上古软件仍然是在测评范围，不可能是有一个软件可以满足全部的需求，但是如果仅仅是定量而已，我们仍然是推荐我一直使用的流程，超级简单：
    希望优秀的你，看完了这个软件测评实验设计流程，也能照猫画虎提出来一个自己的课题，比如单细胞领域的！
    image-20210613102338220

    另外，也不要错过b站的转录组测序数据分析免费课程啊

    详见：免费视频课程《RNA-seq数据分析》

  • 视频免费在B站：https://www.bilibili.com/video/BV12s41137HY 大家学习的时候记得发弹幕交流哈。
  • 也有微云离线版本视频下载本地播放：
  • RNA-SEQ实战演练的素材：https://share.weiyun.com/5h1Z2QY ，包括一些公司PPT，综述以及文献以及测试数据
  • RNA-SEQ 实战演练的思维导图：文档链接：https://mubu.com/doc/38y7pmgzLg 密码：p6fo
​

Comments are closed.