TCGA数据库
博士磕磕绊绊读到了第三年~ 终于进入了出成果的阶段了，也对生信这个学科建立了一些系统的理解，觉得应该做一些系统的梳理和记录了（虽然这个宏图大志从博一就有了但没有知识积累又懒。那么就从TCGA开始吧！从测序基础知识到数据标准化想到哪儿说哪儿。
测序理论部分：
1. 一张图解释DNA，RNA， mRNA
RNA和DNA是等价的，mRNA是剔除了内含子的RNA。
其他概念：
基因：产生 一条多肽链或功能RNA 所需的 全部核苷酸序列 == 具有遗传效应的基本DNA单位
转录本：一条基因 通过转录形成的 一种或多种 可供编码蛋白质的 成熟的mRNA
read：每个测序反应得到的序列为一个“read”
文库：约等于全基因组
引申：
基因与蛋白质的对应关系 --> 多对多
- 真核生物 基因可变剪接 可造成 一个基因表达出多个蛋白 - 对于多亚基构成的寡聚蛋白，每种亚基由一个基因编码，一个完整的蛋白是由不同基因表达而来。 |
2. RNA-Seq原理
不谈测序细节，核心是：RNA-Seq测的是mRNA。
3. RNA-Seq的两种偏差：
长度偏差-基因层面：相同表达丰度（量）的转录本，由于基因长度的差异，导致获得的read数不同。
深度偏差-样本层面：由于测序文库的大小差异造成。同一转录本，深度越深，read数越多。（深度：10* -> 测序了十次全基因组）
***标准化丰度计算方法：
Read count：测序获得的原始数据
长度偏差导致不同外显子的丰度无法对比，深度偏差导致不同样本之间无法对比
RPKM/FPKM：Read.Per.Kilobase.Million千碱基转录每百万次映射的read/fragments数
公式：read数*10的9次方 / 总read数*基因长度
理论上可以弥补read的缺点，消除两方面差异。但异议很多。如，一个外显子转录几次？
TPM： Transcripts.Per.Million千碱基转录每百万次映射的transcript数，不知道为啥不叫TPKM。。。。
公式：（1）P =比对到gene的read数/gene长度 -> 按长度对每个readcount标准化
(2) TPM = Pi / sum(Pi)
首先消除长度偏差，再消除样本偏差。但特殊情况下，如某突变体造成整体影响时，难以找出差异。
结论：
一般情况下，TPM是比RPKM更合适的选择，因为其均值是恒定的。除此之外还有很多其他的丰度标准化方法，如house-keeping, spike-in, CPM....
更多的FPKM、TPM的论述与比较百度一下就很多，老问题了。
4. FPKM转TPM
由于TCGA提供的数据是FPKM标准化过的，因此需要将其转换为TPM版本。
R：
fpkmToTpm <- function(fpkm)
{
exp(log(fpkm) - log(sum(fpkm)) + log(1e6))
}
python版本
5。随访资料
https://shengxin.ren/article/96
待续
- 发表于 2021-01-19 01:02
- 阅读 ( 5124 )
- 分类：软件工具
