Zadanie zaliczeniowe

Termin: 20.01.2015

Zadanie polega na analizie danych z eksperymentów ChIP-seq pewnej modyfikacji histonów oraz pewnego białka u muszki owocowej Drosophila melanogaster, w kontekście różnicowej eksprecji genów w różnych tkankach.

Pod adresem znajdują się dane do analizy:

  • plik z adnotacją genomu dme3: dm3_genes.gtf
    Genom w odpowiedniej wersji (dm3) znajduje się tu.
  • kontrola dla eksperymentów ChIP-seq (plik input.txt.gz)
  • wyniki różnicowej analizy ekspresji genów w tkankach Elav i Repo wykonanej przy użyciu programu DEseq (plik DEseq.txt)
  • dla każdej osoby zapisanej na przedmiot indywidualny folder (oznaczony numerem indeksu) zawierający: wyniki eksperymentu ChIP-seq dla pewnej modyfikacji histonów (plik A.txt.gz), oraz dla pewnego innego białka (plik B.txt.gz). Obie próbki dotyczą tej samej tkanki.

Uwaga: jeśli czyjegoś numeru indeksu brak, lub ma problem z danymi (plik jest uszkodzony itp.) lub ma pytania dotyczące treści, prosimy zgłaszać je możliwie szybko na adres:
j.herman-izycka@mimuw.edu.pl

Pytania:

0. Wykonaj preprocessing danych z sekwencjonowania (analiza jakości, filtrowanie, mapowanie)
1. Zbadaj czy modyfikacja histonów A i białko B mają preferencje co do miejsca występowania w regionach genów (np. na 5′ lub 3′ końcu genów)?
2. Czy w obszarach genowych występowanie białka B i modyfikacji A są skorelowane?
3. Czy geny, na których znajduje się białko B wykazują różnicową ekspresję między tkankami Elav i Repo?

Jako rozwiązanie należy wysłać raport pod adres bartek@mimuw.edu.pl, a następnie omówić go osobiście. Raport powinien zawierać odpowiedzi na pytania wraz z uzasadnieniem, krótki opis wykonanych kroków (użyte programy, istotne parametry, metody, podsumowanie wyników). Można, a nawet należy zamieścić wykresy.

Warianty strukturalne

Slajdy są dostępne tu (N. Dojer), oraz tu (J. Korbel) i tu (J. Aerts)

dziś na zajęciach obejrzymy sobie pliki z wykrytymi wariantami przez projekt 1000 genomów. Pliki są w formacie VCF

Możemy wybrać sobie chromosom i spróbować zwizualizowac plik w IGV (raczej nie zadziała w labie).

Lepiej będzie spróbować znaleźć translokacje, insercje i delecje (BND,INS,DEL) i zwizualizować je w CIRCOS (circos działa na komputerze adela, konto tsg2)

1. Dla zadanego chromosomu stwórz ścieżki z wystąpieniami insercji (słupki) delecji (heatmap) na podstawie danych z pliku vcf

2. dla zadanej pary chromosomów pokaż translokacje między nimi opisane w pliku cancer_breakpoints.txt na koncie użytkownika tsg2 na komputerze adela.

Mogą się przydać lekcje circos

TSG2 – Zajęcia 4 – wyszukiwanie SNPów

Slajdy do wykładu są tu i tu.

Dane (sparowane odczyty z genomu ludzkiego) są dostępne tu. Dobrze byłoby zacząć od QC, żeby zobaczyć z czym mamy do czynienia. Potem mapujemy wg. standardowych parametrów do genomu ludzkiego (hg19). Warto porównać to co wyjdzie nam przy pomocy programu bowtie (z opcją -2) i to co wychodzi przy pomocy programu BWA (zmapowane odczyty w pliku sam)

Będziemy robić zadania z tutorialu, który jest tutaj

Interesuje nas sekcja 3, czyli o znajdowaniu snipow przy pomocy mpileup z samtools i bcftools.

Poza tym chcemy nauczyć się korzystać z pakietu GATK do lokalnego re-alignmentu (sekcja 4) i snp-callingu (sekcja 5)

A także do porównywania znalezionych snpów do dbSNP (sekcja 7) przy użyciu podanego pliku vcf.

Porównaj warianty znalezione przy pomocy  mappera BWA z tymi, które otrzymujemy przy pomocy bowtie. pliki VCF znajdziesz tu

 

 

TSG2 – Zajęcia 3 – mapowanie odczytów

Dziś zajmiemy się mapowaniem odczytów. Slajdy z wykłądu są tu

Spróbujemy powrócić do jednego z plików, które już przetwarzaliśmy: test1.fastq

Będziemy używać oprogramowania bowtie do mapowania odczytów do zadanego genomu.

1. Pobierz probram bowtie i sekwencje genomu i stworz dla niej pliki indeksu

2. Spróbuj zmapować przy użyciu bowtie i opcji -m 1 -v 0 (tylko unikalne mapowania bez niezgodności z sekwencją referencyjną).

3. Spróbuj różnych parametrów preprocessingu (flitrowanie trimowanie itp) aby zwiekszyc liczbe zmapowanych odczytow.

4. Zinstaluj przeglądarkę IGV i zwizualizuj zmapowane odczyty przy jej pomocy

5. Porównaj mapowania dokładne (z p. 3) do mapowań z domyślnymi parametrami.

 

TSG2 – zajęcia 2

Dziś chcemy bliżej zapoznać się z indeksami sekwencji.

Spróbujmy zaimplementować trzy rodzaje indeksów:

1. Drzewo sufiksowe. Implementujemy funkcje build_ST(genome) i find (ST,word). Nie interesuje nas tak bardzo koszt implementacji drzewa (może być słownik) ani koszt budowy drzewa (może być n^2). Chodzi o to, aby find działał liniowo względem długości słowa i zwracał wszystkie wystąpienia słowa w genomie.

2. Tablica sufiksowa. Implementujemy funkcję build_SA(genome) i find(SA, word). Podobnie jak w p. 1.

3*. FM-Index: możemy podzielić na podproblemy:

– Dla zadanego genomu policz BWT(genome)

– Dla zadanej BWT, policz Last-First mapping

– Przy użyciu BWT i Last-First mapping skonstruuj wyszukiwanie słowa (czy istnieje wystąpienie i gdzie jest w genomie

– dodaj funkcjonalność związaną z wyszukwianiem wszystkich słów

4. Dla zadanego słowa, napisz funkcję, która wyszukuje wariantów tego słowa w ustalonej odległości (<k błędów) w zadanym indeksie (np. wyszukaj słowa podobne do ATGCG z nie więcej niż 2 błędami w zadanej sekwencji).

TSG 2 – Wykład 2.

Dzisiaj o mapowaniu odczytów. Slajdy z wykładu są tu. Warto też obejrzeć ostatnią część slajdów z kursu w CSHL dostępnych tu

Jako zadanie na zajęcia mamy dokończyć analizę 3. zbioru danych po groomerz’e. Plik można znaleźć w historii nazwanej “dane 3 groomer” na serwerze centromere:8080

Na dziś myślę, że warto jest popróbować samemu zaimplementować wyszukiwanie wzorca przy pomocy drzew sufiksowych, tablic sufiksowych i transformaty B-W.

TSG2 – Zajęcia 1.

Slajdy do wykładu dostępne są tu

Naszym celem jest analiza jakości odczytów w plikach dostępnych tu

Logujemy się do serwera galaxy pod adresem http://centromere:8080 i tam zakładamy dla siebie nową historię przetwarzania danych. Następnie wykonujemy analizę FASTQC i na podstawie jej wyników dokonujemy “czyszczenia” danych przy pomocy narzędzi do “przycinania” odczytów na podstawie ich jakości (TRIM), wycinania sekwencji adapterowych (CLIP), filtrowania odczytów o złej jakości (FILTER). Operacje powtarzamy do uzyskania akceptowalnych wyników, uważając przy tym, aby nie usunąć zbyt wiele.