基因表达数据怎么得到

⑴ 基因表达数据的聚类分析方法

基因表达( gene expression)** 是指将来自基因的遗传信息合成功能性基因产物的过程。

基因表达产物通常是蛋白质，但是非蛋白质编码基因如转移RNA（tRNA）或小核RNA（snRNA）基因的表达产物是功能性RNA。

所有已知的生命，无论是真核生物（包括多细胞生物）、原核生物（细菌和古细菌）或病毒，都利用基因表达来合成生命的大分子。

基因编码并可用于合成蛋白质，这个过程称为基因表达。

在像人类这样的高等生物中，根据细胞类型（神经细胞或心脏细胞）、环境和疾病状况等各种因素，数以千计的基因以不同的量一起表达。

例如，不同类型的癌症在人类中引起不同的基因表达模式。可以使用微阵列( Microarray )技术研究不同条件下的这些不同基因的表达模式。

来自微阵列的数据可以想象为矩阵或网格，矩阵中的每个单元格对应于特定条件下的基因表达值。

如下图所示，矩阵的每一行对应一个基因 g _i ，每一列对应一个条件/样本 s _i

分析基因表达数据的第一步是 在经典数据挖掘中对基因或样本进行聚类 。
可以根据基因在所有条件下的表达模式对基因进行聚类，并且可以使用所有基因的基因表达模式对样本进行聚类。

关于聚类问题

对于基因聚类 ，数据点是基因，特征是所有样本的表达值。
因此，在针对癌症示例的基因聚类中，将聚类 20,000 个数据点( data-points )，每个点具有 20 个维度。

聚类基因表达数据提供了对基因共调控(co-regulation)和基因细胞功能的重要见解。
聚集在一起的基因在所有样本中具有相似的表达模式，这可能表明这些基因的共同调控。
此外，来自同一簇的基因可能执行类似的细胞功能，这有助于注释新发现的基因。

相反，对于样本聚类 ，样本是使用跨所有基因的基因表达量作为特征进行聚类的数据点。由此将聚类 20 个数据点，每个点具有 20,000 个维度。

下面，我们将讨论执行聚类的不同方法

邻近计算( Proximity calculation)**
用于聚类的数据点之间的距离或接近度很重要，因为所有聚类算法的工作原理都是将近点聚集在一个聚类中。

使用 Pearson 相关系数中的特征计算数据点 O _i 和 O _j 之间距离的有效措施之一：

Pearson( , ) =

k均值聚类算法( k-means clustering algorithm)**
是一种迭代求解的聚类分析算法。属于无监督学习算法。

步骤:
预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。

聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。 这个过程将不断重复直到满足某个终止条件 。

以下是一个二维数据。通过查看散点图，数据似乎包含 3 个不同的聚类。
因此，我们将任意发起 3 个聚类质心( cluster centroids )或聚类中心( cluster centers )。由于我们还没有任何聚类，这些质心( centroids )是空间中的任意点。

然后，我们计算所有点与 3 个质心的距离，并将这些点分配到它们最近的聚类。然后，我们使用聚类中分配的点重新计算质心。

聚类中心只是聚类中所有点的平均值。

重新计算点与 3 个新分配的质心的距离，并将这些点重新分配到它们最近的聚类。
在点被重新分配到它们最近的聚类后，重新计算聚类中心。

重复上述步骤直到中心点收敛( convergence )，基本上不在发生变化或满足精度为止。

层次聚类( Hierarchical Clustering)**
是一种渐进式聚类技术，它从小簇开始，逐渐将密切相关的小簇合并成更大的簇， 直到只剩下一个大簇为止 。

相对于 K-means 的最大优势之一是层次聚类不必预先定义聚类的数量。相反，可以在聚类过程完成后推断最佳聚类数。

使用以下包含 25 个数据点的二维数据仔细研究层次聚类算法

迭代 1

再次计算所有的质心距离，并检测最近的两个簇并将其连接到一个新簇中。重新计算新簇的质心。

迭代 2

重复3个步骤，计算所有的质心距离，合并2个最近的簇，重新计算新形成的簇的质心，直到只得到一个包含所有25个数据点的大簇（收敛）。

动图展示

[图片上传失败...(image-79b9d0-1638339563655)]

整个层次聚类过程可以使用如下所示的树状图进行可视化，其中分叉树的叶节点是数据点，内部节点显示执行的每个合并步骤。

左侧的高度比例显示了聚类合并的 距离
最低的内部节点距离很小 ，表明最近的簇或点首先被合并。
最高的内部节点距离很远 ，表示相距很远的点或簇以最高距离连接到一个簇中。

实际的聚类解决方案是通过在指定距离截止点处跨聚类树状图绘制一条水平线来获得的。

簇数等于水平切割线遇到的交点数。
例如，在距离截止值( distance cutoff )=60 处绘制的红色水平线为 25 个数据点定义了 3 个clusters。

一个例子显示了通过基因表达数据的层次聚类识别的不同类型的弥漫型B大细胞淋巴瘤( diffuse large B-cell lymphoma )。

根据确定的不同类型，我们对癌症预期如何发展的估计会有所不同，并且还可能导致处方治疗的差异。

⑵ 如何获得基因测序的原始数据

基因测序是一种新型基因检测技术，能够从血液或唾液中分析测定基因全序列，预测罹患多种疾病的可能性，个体的行为特征及行为合理，如癌症或白血病，运动天赋，酒量等 。基因测序相关产品和技术已由实验室研究演变到临床使用，可以说基因测序技术，是下一个改变世界的技术。

⑶ real-time pcr定量方法分析中基因表达量数据怎么获得

绝对表达量要做标准曲线的。相对表达量就找个内参，用△△CT法

⑷ 如何利用数据库查询细胞某基因表达情况

一个良好的开端就是分析感兴趣基因的突变和其它异常，ICGC数据门户提供了几条研究路线。输入一个基因名称，NCBI登录号，或者Ensembl基因ID，点击基因报告（Gene Report），就能在突变摘要（Mutation Summary）中找到已发现的突变和拷贝数变化，以及迄今为止，这些突变在肿瘤中出现的频率。COSMICsection就在体细胞突变列表下方，包括了点突变，少量缺失，以及插入突变等方面的数据。

⑸ 求助：在哪里可以得到某一基因在什么组织表达的数据

这个要看芯片的实验设计，有的细胞做的，你怎么找组织表达？每个记录的研究目的和模型都是不一样的，你这个思路不是很好啊。Novartis Gene Expression Atlas>这个网站也不错，是日本人做的关于基因表达的数据库redkindszhusl wrote:我也是想要知道在小鼠不同组织细胞中基因表达的资料，有没有那位朋友可以指点一下，谢谢了！

⑹ 基因分析的方法

高等真核生物的基因组一般具有80 000～100 000个基因，而每一个细胞大约只表达其中的15%〔1〕。基因在不同细胞间及不同生长阶段的选择性表达决定了生命活动的多样性，如发育与分化、衰老与死亡、内环境稳定、细胞周期调控等。比较细胞间基因表达的差异为我们揭示生命活动的规律提供了依据。

由于真核细胞 mRNA 3′端一般含有 poly（ a）尾，因此现有的方法基本上都是利用共同引物将不同的 mRNA反转录成 cDNA，以 cDNA为对象研究基因表达的差异。1992年 Liang等〔2〕建立了一种差异显示反转录 pCR法（ differential display reverse transcription PCR， dDRT-PCR），为检测成批基因表达的差异开辟了新天地。迄今为止已出现了大量应用该技术的研究报道〔3，4〕。然而，尽管应用 dDRT-PCR方法已经取得了不少成果，而且该方法还在不断改进之中，但它仍然存在几个难以解决的问题：(1)重复率低，至少有20%的差异条带不能被准确重复〔5〕；(2)假阳性率可以高达90%〔6〕；(3)获得的差异表达序列极少包含编码信息。近年来，针对 dDRT-PCR方法的不足，又有几种新的检测差异表达基因的方法出现，现仅就这方面的进展做一简要介绍。

1.基因表达指纹（ gene expression fingerprinting， gEF）： gEF技术使用生物素标记的引物 bio-T13合成 cDNA第一链，用 dGTP对其进行末端加尾，再以富含 c的引物引发合成 cDNA第二链。用限制性内切酶消化双链 cDNA，以交联有抗生物素蛋白的微球捕获 cDNA3′端，以 t4DNA连接酶连接同前述内切酶相对应的适配子，并以 bio-T13及适配子中的序列作为新的引物进行特异的 pCR扩增，得到大量的特异 cDNA片段。适配子末端被32P-dATP标记后，固定于微球上的 cDNA片段经过一系列酶切，产生的酶切片段从微球表面释放出来，其中那些含有标记末端的片段经凝胶电泳后构成 mRNA指纹图谱。通过分析不同细胞间的指纹图谱就能得到差异表达的序列〔7〕。 gEF技术所需的工作量较 dDRT-PCR明显减少，由于用酶切反应替代了条件不严格的 pCR反应，其重复性也较好，假阳性率低，并且所获得的片段中包含有一定的编码信息。 gEF技术最大的缺点在于电泳技术的局限。由于它的指纹图谱要显示在同一块电泳胶上，经过几轮酶切之后常会得到1 000～2 000条电泳带，而现有的 pAGE电泳很少能分辨超过400条带，故只有15%～30%的 mRNA能够被辨认出来，因此得到的只能是高表达基因。如果希望寻找部分新基因，这是一种比较简单有效的方法；如果希望得到有关某种细胞的基因表达谱，可能比较困难；采用双向电泳技术可能会有所帮助〔8〕。

2．基因表达系统分析（ serial analysis of gene expression， sAGE）： sAGE法的建立基于两条理论。首先，一段来自某个转录子确定位置的核苷酸，其长度只要有9～10个 bp，就能够特异地确认该转录子。第二，对短片段标签的链接有利于在同一克隆中对多个标签测序。 sAGE也是用生物素标记的 bio-Oligo(dT)为引物合成双链 cDNA，然后以限制酶（锚定酶）进行酶切，捕获 cDNA3′端。在此处产物被分为两部分，分别与包含有 iIS型内切酶（标签酶）位点的 a、 b连接子相接。 iIS型内切酶的特点是作用位点处于识别位点之外。这样经过酶切，就有可能得到只有9～10bp的标签序列。每两个标签的钝端结合后成为 pCR的模板，以基于 a、 b连接子的引物进行 pCR反应的结果是得到了大量每条包含两个不同来源标签的序列，接下来再用锚定酶酶切、连接，就能将多个不同的标签链接在一起（大约为每条包含数十个不同来源的标签），克隆至质粒载体中后集中测序〔9，10〕。 sAGE的最终结果是通过计算机统计得到的，根据某个标签出现频率的高低来判断并计算其所属基因表达的丰度。对于在数据库中找不到对应序列的标签，还可以利用13bp的寡核苷酸探针（9bp加上锚定酶识别位点的4bp）对 cDNA文库进行筛选，以寻找新基因。 sAGE可以检测不同细胞间已知基因表达的具体差异，精确到每个细胞中大约有多少拷贝，可以建立较全面的基因表达谱，系统地分析基因表达的差异。它的缺点在于工作量非常大，有大量的测序及计算机分析任务；而且，对于寻找新基因而言，仅用长度为13bp的寡核苷酸探针筛选 cDNA文库是很不严格的，根据我们的经验，往往是假阳性结果居多。

3 . cDNA3′端限制酶切片段显示（ display of 3′ end restriction fragments of cDNAs）:cDNA3′端 rFD利用带有“踵”结构的锚定 oligo(dT)引物合成 cDNA第一链，以 okayama和 berg的置换法合成 cDNA第二链，然后将双链 cDNA以限制酶消化。本方法的适配子由 a1和 a2两条寡核苷酸构成，其序列与所用限制酶识别位点相符合，先将 a2的5′端磷酸化，再加入 a1退火，就会形成一个 y型结构；把 y型适配子与酶切后的 cDNA片段相连接，以适配子及锚定引物中所含序列为特异引物进行 pCR反应，则只有 cDNA3′末端的一段被扩增出来，这时的产物可用凝胶电泳表示出来构成差异表达图谱。对于每次切割6bp的限制酶来说，每种大概只能切割8%的 cDNA，因此至少需要12种以上的限制酶才能使所有 cDNA都显示出来〔11〕。 cDNA3′端 rFD与 gEF的思路比较相似，由于它利用多种限制酶进行酶切，因此不会象 gEF因凝胶电泳分辨率不够而漏掉信息。它的重复性较好，假阳性率低，尤其是对于已知基因，可以根据选择内切酶的作用位点确定该基因在凝胶电泳中的位置并判断其含量，从而避免了进一步的分析。对于精力有限的研究人员，这可能是个值得一试的方法。 cDNA3′端 rFD方法也存在一些和 dDRT-PCR相类似的缺点，它得到的片段中包含的编码信息比较少，需要多花一些时间对所得到的差异条带进一步分析。

4.分子指数的 rNA指纹（ rNA fingerprinting by molecular indexing， mI）:MI是一种能够较好地显示 mRNA中编码序列的方法。它利用Ⅱ s型内切酶的作用位点在识别位点之外可以形成一个4bp的突出端的特点，设计43共64种（最外侧一个核苷酸随机）适配子，使得获取编码序列片段成为可能。首先是以常规方法合成双链 cDNA，用Ⅱ类限制酶进行酶切后连接5′端磷酸化的相应适配子，再以Ⅱ s类

⑺ affymetrix怎么找到基因差异表达数据

%选取“表达”基因的方法常见的有两种，一是使用genefilter软件包，另外一种是调用affy包的mas5calls()函数。使用 genefilter需要设定筛选阈值，不同的人可能有不同的标准。mas5calls方法使用探针水平数据（AffyBatch类型数据）进行处理，一般使用没经过预处理的芯片数据通用性强些，其他参数用默认就可以。

⑻ 怎样拿到生物基因数据文件

1.什么是vcf文件
VCF是用于描述SNP（单个碱基上的变异），INDEL（插入缺失标记）和SV（结构变异位点）结果的文本文件。在GATK软件中得到最好的支持，当然SAMtools得到的结果也是VCF格式，和GATK的CVF格式有点差别。
2.VCF的主体结构
##fileformat=VCFv4.2
##fileDate=20090805
##source=myImputationProgramV3.1
##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta
##contig=<ID=20,length=62435964,assembly=B36,md5=,species="Homo sapiens",taxonomy=x>
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA00001 NA00002 NA00003
14370 rs6054257 G A 29 PASS NS=3;DP=14;AF=0.5;DB;H2 GT:GQ:DP:HQ 0|0:48:1:51,51 1|0:48:8:51,51 1/1:43:5:.,.
17330 . T A 3 q10 NS=3;DP=11;AF=0.017 GT:GQ:DP:HQ 0|0:49:3:58,50 0|1:3:5:65,3 0/0:41:3
1110696 rs6040355 A G,T 67 PASS NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ 1|2:21:6:23,27 2|1:2:0:18,2 2/2:35:4
1230237 . T . 47 PASS NS=3;DP=13;AA=T GT:GQ:DP:HQ 0|0:54:7:56,60 0|0:48:4:51,51 0/0:61:2
1234567 microsat1 GTC G,GTCT 50 PASS NS=3;DP=9;AA=G GT:GQ:DP 0/1:35:4 0/2:17:2 1/1:40:

从范例上看，VCF文件分为两部分内容：以“#”开头的注释部分；没有“#”开头的主体部分。
值得注意的是，注释部分有很多对VCF的介绍信息。实际上不需要本文章，只是看看这个注释部分就完全明白了VCF各行各列代表的意义。
主体部分中每一行代表一个Variant的信息。
3.怎么解释Variation
CHROM：表示变异位点是在哪个contig 里call出来的，如果是人类全基因组的话那就是chr1…chr22，chrX,Y,M。
POS： 变异位点相对于参考基因组所在的位置，如果是indel，就是第一个碱基所在的位置。
ID： variant的ID。 如果call出来的SNP存在于dbSNP数据库里，就会显示相应的dbSNP里的rs编号；若没有，则用’.’表示其为一个novel variant。
REF和ALT： 在这个变异位点处，参考基因组中所对应的碱基和研究对象基因组（Variant）中所对应的碱基。
QUAL： Phred格式(Phred_scaled)的质量值，可以理解为所call出来的变异位点的质量值。表 示在该位点存在variant的可能性；该值越高，则variant的可能性越大；
计算方法：① Q=-10*lgP，Q表示质量值；P表示这个位点发生错误的概率。
②Phred值Q = -10 * lg (1-p) ，p为variant存在的概率;
通过计算公式可以看出值为10的表示错误概率为0.1，该位点为variant的概率为90%。
同理，当Q=20时，错误率就控制在了0.01。
FILTER： 使用上一个QUAL值来进行过滤的话，是不够的。理想情况下，QUAL这个值应该是用所有的错误模型算出来的，这个值就可以代表正确的变异位点了，但是事实是做不到的。因此，还需要对原始变异位点做进一步的过滤。无论你用什么方法对变异位点进行过滤，过滤完了之后，在FILTER一栏都会留下过滤记录，如果是通过了过滤标准，那么这些通过标准的好的变异位点的FILTER一栏就会注释一个PASS，如果没有通过过滤，就会在FILTER这一栏提示除了PASS的其他信息。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。
INFO： 这一行是variant的详细信息，内容很多，以下再具体详述。
例子：
##fileformat=VCFv4.0
##FILTER= ##FORMAT= ##FORMAT= ##FORMAT= ##FORMAT= ##FORMAT= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##INFO= ##UnifiedGenotyperV2="analysis_type=UnifiedGenotyperV2 input_file=[TEXT CLIPPED FOR CLARITY]"
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA12878
chr1 873762 . T G 5231.78 PASS AC=1;AF=0.50;AN=2;DP=315;Dels=0.00;HRun=2;HaplotypeScore=15.11;MQ=91.05;MQ0=15;QD=16.61;SB=-1533.02;VQSLOD=-1.5473 GT:AD:DP:GQ:PL 0/1:173,141:282:99:255,0,255
chr1 877664 rs3828047 A G 3931.66 PASS AC=2;AF=1.00;AN=2;DB;DP=105;Dels=0.00;HRun=1;HaplotypeScore=1.59;MQ=92.52;MQ0=4;QD=37.44;SB=-1152.13;VQSLOD= 0.1185 GT:AD:DP:GQ:PL 1/1:0,105:94:99:255,255,0
chr1 899282 rs28548431 C T 71.77 PASS AC=1;AF=0.50;AN=2;DB;DP=4;Dels=0.00;HRun=0;HaplotypeScore=0.00;MQ=99.00;MQ0=0;QD=17.94;SB=-46.55;VQSLOD=-1.9148 GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,26
chr1 974165 rs9442391 T C 29.84 LowQual AC=1;AF=0.50;AN=2;DB;DP=18;Dels=0.00;HRun=1;HaplotypeScore=0.16;MQ=95.26;MQ0=0;QD=1.66;SB=-0.98 GT:AD:DP:GQ:PL 0/1:14,4:14:60.91:61,0,2551234567

到现在，我们就可以解释上面的例子：
chr1：873762 是一个新发现的T/G变异，并且有很高的可信度（qual=5231.78）。
chr1：877664 是一个已知的变异为A/G 的SNP位点，名字rs3828047，并且具有很高的可信度（qual=3931.66）。
chr1：899282 是一个已知的变异为C/T的SNP位点，名字rs28548431，但可信度较低（qual=71.77）。
chr1：974165 是一个已知的变异为T/C的SNP位点，名字rs9442391，但是这个位点的质量值很低，被标 成了“LowQual”，在后续分析中可以被过滤掉。
FORMAT 和 NA12878：这两行合起来提供了’NA12878′这个sample的基因型的信息。’NA12878′代表这该名称的样品，是由BAM文件中的@RG下的 SM 标签决定的。
Vcf文件看起来很复杂，挺吓人的样子，但是里面大部分都是一些tags，而这些tags基本上都是在VASR中过滤用的，能够理解每个tags的意思最好，如果实在不理解也就不用管了。其实最关键的信息也就是那么几列：
chr1 873762 . T G [CLIPPED] GT:AD:DP:GQ:PL 0/1:173,141:282:99:255,0,255
chr1 877664 rs3828047 A G [CLIPPED] GT:AD:DP:GQ:PL 1/1:0,105:94:99:255,255,0
chr1 899282 rs28548431 C T [CLIPPED] GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,26
其中最后面两列是相对应的，每一个tag对应一个或者一组值，如：
chr1：873762，GT对应0/1；AD对应173,141；DP对应282；GQ对应99；PL对应255,0,255。
GT： 表示这个样本的基因型，对于一个二倍体生物，GT值表示的是这个样本在这个位点所携带的两个等位基因。0表示跟REF一样；1表示表示跟ALT一样；2表示第二个ALT。当只有一个ALT 等位基因的时候，0/0表示纯和且跟REF一致；0/1表示杂合，两个allele一个是ALT一个是REF；1/1表示纯和且都为ALT； The most common format subfield is GT (genotype) data. If the GT subfield is present, it must be the first subfield. In the sample data, genotype alleles are numeric: the REF allele is 0, the first ALT allele is 1, and so on. The allele separator is ‘/’ for unphased genotypes and ‘|’ for phased genotypes.
0 - reference call
1 - alternative call 1
2 - alternative call 2
AD： 对应两个以逗号隔开的值，这两个值分别表示覆盖到REF和ALT碱基的reads数，相当于支持REF和支持ALT的测序深度。
DP： 覆盖到这个位点的总的reads数量，相当于这个位点的深度（并不是多有的reads数量，而是大概一定质量值要求的reads数）。
PL:对应3个以逗号隔开的值，这三个值分别表示该位点基因型是0/0，0/1，1/1的没经过先验的标准化Phred-scaled似然值（L）。这三种指定的基因型(0/0,0/1,1/1)的概率总和为1。如果转换成支持该基因型概率（P）的话，由于L=-10lgP，那么P=10^（-L/10），因此，当L值为0时，P=10^0=1。因此，这个值越小，支持概率就越大，也就是说是这个基因型的可能性越大。
GQ： 表示最可能的基因型的质量值。表示的意义同QUAL。Phred格式(Phred_scaled)的质量值，表示在该位点该基因型存在的可能性；该值越高，则Genotype的可能性越 大；计算方法：Phred值 = -10 * log (1-p) p为基因型存在的概率。
举个例子说明一下：
chr1 899282 rs28548431 C T [CLIPPED] GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,261

在这个位点，GT=0/1，也就是说这个位点的基因型是C/T；GQ=25.92，质量值并不算太高，可能是因为cover到这个位点的reads数太少，DP=4，也就是说只有4条reads支持这个地方的变异；AD=1,3，也就是说支持REF的read有一条，支持ALT的有3条；在PL里，这个位点基因型的不确定性就表现的更突出了，0/1的PL值为0，虽然支持0/1的概率很高；但是1/1的PL值只有26，也就是说还有10^(-2.6)=0.25%的可能性是1/1；但几乎不可能是0/0，因为支持0/0的概率只有10^(-10.3)=5*10-11。
VCF第8列的信息
该列信息最多了，都是以 “TAG=Value”,并使用”;”分隔的形式。其中很多的注释信息在VCF文件的头部注释中给出。以下是这些TAG的解释
AC，AF 和 AN：AC(Allele Count) 表示该Allele的数目；AF(Allele Frequency) 表示Allele的频率； AN(Allele Number) 表示Allele的总数目。对于1个diploid sample而言：则基因型 0/1 表示sample为杂合子，Allele数为1(双倍体的sample在该位点只有1个等位基因发生了突变)，Allele的频率为0.5(双倍体的 sample在该位点只有50%的等位基因发生了突变)，总的Allele为2； 基因型 1/1 则表示sample为纯合的，Allele数为2，Allele的频率为1，总的Allele为2。
DP： reads覆盖度。是一些reads被过滤掉后的覆盖度。
Dels： Fraction of Reads Containing Spanning Deletions。进行SNP和INDEL calling的结果中，有该TAG并且值为0表示该位点为SNP，没有则为INDEL。
FS：使用Fisher’s精确检验来检测strand bias而得到的Fhred格式的p值。该值越小越好。一般进行filter的时候，可以设置 FS < 10～20。
HaplotypeScore： Consistency of the site with at most two segregating haplotypes
InbreedingCoeff： Inbreeding coefficient as estimated from the genotype likelihoods per-sample when compared against the Hard-Weinberg expectation
MLEAC： Maximum likelihood expectation (MLE) for the allele counts (not necessarily the same as the AC), for each ALT allele, in the same order as listed
MLEAF： Maximum likelihood expectation (MLE) for the allele frequency (not necessarily the same as the AF), for each ALT alle in the same order as listed
MQ： RMS Mapping Quality
MQ0： Total Mapping Quality Zero Reads
MQRankSum： Z-score From Wilcoxon rank sum test of Alt vs. Ref read mapping qualities
QD： Variant Confidence/Quality by Depth
RPA： Number of times tandem repeat unit is repeated, for each allele (including reference)
RU： Tandem repeat unit (bases)
ReadPosRankSum： Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias
STR： Variant is a short tandem repeat

VCF (Variant Call Format) version 4.1
The VCF specification is no longer maintained by the 1000 Genomes Project. The group leading the management and expansion of the format is the Global Alliance for Genomics and Health Data Working group file format team, http://ga4gh.org/#/fileformats-team
The main version of the specification can be found on https://github.com/samtools/hts-specs
This is under continued development, please check the hts-specs page for the most recent specification
A PDF of the v4.1 spec is http://samtools.github.io/hts-specs/VCFv4.1.pdf
A PDF of the v4.2 spec is http://samtools.github.io/hts-specs/VCFv4.2.pdf
VCFTools host a discussion list about the specification called vcf-spec http://sourceforge.net/p/vcftools/mailman/
REF:
http://blog.sina.com.cn/s/blog_12d5e3d3c0101qv1u.html
http://samtools.github.io/hts-specs/VCFv4.2.pdf
http://samtools.github.io/bcftools/bcftools.html
阅读全文

⑼ 怎样分析一个新的基因

分析新的基因方法：

工具/原料

• 基因表达数据的csv文件

• 数据的分组信息的csv文件

• Excel

准备数据文件

• 1

  首先我们需要一个表达谱数据的csv文件表。这些基因表达数据一般是在实验结束之后就会产生，是我们分析的源文件。

  表达谱的格式为：

  文件的A1单元格留白；

  文件的第一行，写的是样本的唯一识别号，这个识别号可以自行指定，但请确保每个样本为一列且识别号都不同。

  文件的第一列（A列)，写的是基因简称，每个基因在HGNC网站的列表中都有且唯一。

  数据格式如图所示：

• 2

  其次我们需要一个记录着表达谱数据的来源和分组的csv文件表。

  这一个csv文件记录着每一个样本的分组和其他信息。

  分组信息表的格式为：

  文件的A1单元格留白；

  文件的第一列（A列)，写的是样本的唯一识别号，这个识别号与表达谱数据表中的样本识别号一一对应。

  文件的第一行则记录着对应的分组信息，并且分组信息一般命名为groups。

  数据格式如图所示：

进行分析

• 1

  登录基因云馆，右上角点登录系统。输入账号密码进行登录。没有账号可以快速免费注册一个。

• 2

  右侧选择 “预处理 > 表达集生成器”。

  将上一步准备好的文件“表达谱数据的csv表文件”放入matrix；

  “表达谱分组信息的csv表文件”放入pData；

  最后填写一个saveName表示保存文件的文件名。

  点击运行

• 3

  生成与步骤2中的saveName填写的文件名对应的RData数据文件就可以进行后续的差异分析了。

  同时，最好点击eSet_create.html报告查看生成的文件的简要信息。

差异基因分析

• 右侧选择“差异分析 > 差异基因分析”；

  在inputset*栏目里放入上一步生成的RData，剩余参数如下选择。

  logFC代表倍增关系，一般是1-2，这里请选择1，如果差异基因过少可以适当降低；

  pvalue代表p值，一般选择0.05，这里即选择0.05，如果差异基因过多可以适当降低；

  genenamesets代表要单独显示表达变化的基因，这里填写可以 AHNAK2；

  点击“运行”进行分析。