-
Notifications
You must be signed in to change notification settings - Fork 7
/
Copy pathslides.html
475 lines (349 loc) · 12.8 KB
/
slides.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
<!DOCTYPE html>
<html lang="" xml:lang="">
<head>
<title>Croisement de données</title>
<meta charset="utf-8" />
<meta name="author" content="Olivier Rué - Matthias Zytnicki" />
<meta name="date" content="2021-03-25" />
<script src="slides_files/header-attrs/header-attrs.js"></script>
<link href="slides_files/remark-css/default.css" rel="stylesheet" />
<link href="slides_files/remark-css/default-fonts.css" rel="stylesheet" />
<link rel="stylesheet" href="css/styles.css" type="text/css" />
</head>
<body>
<textarea id="source">
class: center, middle, inverse, title-slide
# Croisement de données
## DUBii - Module 5
### Olivier Rué - Matthias Zytnicki
### 2021-03-25
---
# Programme
- Présentation des intervenants, organisation
- Rappel sur les formats de fichiers
- <strong class="tool">Bedtools</strong> <a id='cite-quinlan2010bedtools'></a>(<a href='#bib-quinlan2010bedtools'>Quinlan and Hall, 2010</a>)
- TP en mode distanciation sociale
.center[
]
---
# Rappels sur les formats de fichiers
Format | Contenu
------------- | -------------
FASTA | ?
FASTQ | ?
SAM/BAM | ?
BED/GTF/GFF | ?
VCF | ?
---
# Rappels sur les formats de fichiers
Format | Contenu
------------- | -------------
FASTA | Information de séquence
FASTQ | Séquence et qualité de lectures provenant d'un séquençage
SAM/BAM | Alignement des lectures sur une référence
BED/GTF/GFF | Coordonnées et annotations génomiques
VCF | Coordonnées et annotations des variants génomiques
---
## FASTA
```bash
>foo
ATGCC
>bar other optional text could go here
CCGTA
>bidou
ACTGCAGT
TTCGN
>repeatmasker
ATGTGTcggggggATTTT
>prot2; my_favourite_prot
MTSRRSVKSGPREVPRDEYEDLYYTPSSGMASP
```
## FASTQ
```bash
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65
```
---
## SAM/BAM
- _Sequence Alignment Map_
- Contient les informations des alignements des lectures sur le génome
- 2 sections
- le header
- les alignements
- Se manipule avec
- <strong class="tool">samtools</strong> <a id='cite-samtools'></a>(<a href='#bib-samtools'>Li, Handsaker, Wysoker, Fennell, Ruan, Homer, Marth, Abecasis, and Durbin, 2009</a>),
- <strong class="tool">bedtools</strong> (<a href='#bib-quinlan2010bedtools'>Quinlan and Hall, 2010</a>),
- <strong class="tool">Picard tools</strong> <a id='cite-picardtools'></a>(<a href='#bib-picardtools'>Broad Institute, 2018</a>),
- ...
- Toujours travailler avec le BAM, trié et indexé
---
## SAM/BAM
<img src="images/SAM_format.jpg" width="80%" style="display: block; margin: auto;" />
---
## BED
- _Browser Extensible Data_
- Ce sont des formats "d'intervalles". Chaque ligne contient un intervalle de coordonnées génomiques avec au minimum 3 colonnes :
```bash
# BED 3 columns
#chromosome start end
chr1 145 200
chr1 345 500
chr1 600 1000
```
- Plus d'informations avec 6 colonnes :
```bash
# BED 6 columns
#chromosome start end name score strand
chr1 145 200 i1 0 +
chr1 345 500 i2 0 +
chr1 600 1000 i3 0 +
```
---
## BED
<img src="images/BED_format.png" width="100%" style="display: block; margin: auto;" />
---
## GFF
- _General Feature Format_
- GFF puis GFF2 puis GFF3
- GFF3 actuellement en vigueur : <a href="http://gmod.org/wiki/GFF3">documentation</a>
- Format utilisé pour localiser et décrire toute zone caractéristique d'un génome (ex : un exon)
- Un header
```bash
##gff-version 3
```
- 9 colonnes décrivant des *features*
```bash
ctg123 . mRNA 1300 9000 . + . ID=mrna0001;Name=sonichedgehog
ctg123 . exon 1300 1500 . + . ID=exon00001;Parent=mrna0001
ctg123 . exon 1050 1500 . + . ID=exon00002;Parent=mrna0001
ctg123 . exon 3000 3902 . + . ID=exon00003;Parent=mrna0001
ctg123 . exon 5000 5500 . + . ID=exon00004;Parent=mrna0001
ctg123 . exon 7000 9000 . + . ID=exon00005;Parent=mrna0001
```
---
## GFF3
1. seqid - Nom du chromosome ou scaffold
2. source - Nom du programme utilisé pour générer ce fichier
3. type - Type d'élément (feature). Doit correspondre à l'ontologie <a href="http://www.sequenceontology.org/so_wiki/index.php/Category:SO:SOFA">SOFA</a> <a id='cite-eilbeck2005sequence'></a>(<a href='#bib-eilbeck2005sequence'>Eilbeck, Lewis, Mungall, Yandell, Stein, Durbin, and Ashburner, 2005</a>)
4. start - Début (1-based)
5. end - Fin
6. score - Score décimal
7. strand - Brin + (forward) ou - (reverse).
8. phase - Phase : 0, 1 ou 2 (base du codon)
9. attributes - Liste de paires tag-valeur, par exemple ID, Name, Alias, Parent...
```bash
#seqid source type start end score strand phase attributes
ctg123 . mRNA 1300 9000 . + . ID=mrna0001;Name=bidou;Parent=gene001
```
---
## GTF
- Dérivé du GFF
- 8 premières colonnes identiques
- La 9ème (attributes) doit contenir gene_id ou transcript_id
- Spécialisé dans l'annotation des gènes
- gene_id obligatoire
- transcript_id obligatoire
- GTF == GFF2
```bash
chr1 Cufflinks transcript 62948 63887 1000 + . gene_id "ENSG00000240361"; transcript_id "ENST00000492842"; FPKM "0.1133032705"; frac "1.596713"; conf_lo "0.000000"; conf_hi "0.312052"; cov "0.351936"; full_read_support "yes";
```
--
<div class="alert danger">Attention au parsing du GTF, il y a des espaces dans la 9ème colonne !</div>
---
## VCF
- _Variant Calling Format_
- En migration vers _gVCF_ ()
- Header décrivant le format et l'obtention du fichier
- Une ligne par variant (SNV, INSERTION, DELETION...)
---
## VCF
<img src="images/VCF_format.png" width="100%" style="display: block; margin: auto;" />
---
## Système de coordonnées
.pull-left[
0-based:
```bash
ACTGACTG
012345678
```
- BED
- BAM
]
.pull-right[
1-based:
```bash
ACTGACTG
12345678
```
- GTF
- GFF
- SAM
- VCF
]
--
<div class="alert comment">Les outils font automatiquement la conversion, attention si vous cherchez l'information directement !</div>
---
## BEDTOOLS
- Le couteau suisse pour travailler sur des fichiers d'intervalles et croiser différents types de données
- Permet de nombreuses manipulations et croisement sur :
- BAM
- BED
- GFF/GTF
- VCF
.pull-left[
]
.pull-right[
- Documentation : https://bedtools.readthedocs.io/en/latest/
- Tutoriel : http://quinlanlab.org/tutorials/bedtools/bedtools.html
]
---
## Une super documentation !
- Avec des schémas
<img src="images/bedtools_intersect.png" width="30%" style="display: block; margin: auto;" />
- Une documentation complète
- De nombreux exemples
<a href="https://bedtools.readthedocs.io/en/latest/content/tools/intersect.html">Exemple pour l'outil intersect</a>
---
## Performance
- Pas de multithreading avec Bedtools
- Sur de gros jeux de données, il faut que les fichiers soient triés (de la même manière bien sûr)
<img src="images/bedtools_time.png" width="30%" style="display: block; margin: auto;" />
---
## TP : Données à croiser
.pull-left[
* Génome humain : <code>FASTA</code>
* Annotation : <code>GFF3</code>
* Variants : <code>VCF</code>
* Alignements : <code>BAM</code>
* Transcrits : <code>GTF</code>
]
.pull-right[
<img src="images/croisement.jpg" width="60%" style="display: block; margin: auto;" />
]
--
Ce <a href="https://du-bii.github.io/module-5-Methodes-Outils/seance4/document.html">document</a> vous permettra de suivre pas à pas le TP associé à la suite BEDtools
<img src="images/Charge-mentale-1__1_.jpg" width="30%" style="display: block; margin: auto;" />
---
# References
<p><cite><a id='bib-picardtools'></a><a href="#cite-picardtools">Broad Institute</a>
(2018).
<em>Picard Tools</em>.
<a href="http://broadinstitute.github.io/picard/">http://broadinstitute.github.io/picard/</a>.</cite></p>
<p><cite><a id='bib-eilbeck2005sequence'></a><a href="#cite-eilbeck2005sequence">Eilbeck, K., S. E. Lewis, C. J. Mungall, et al.</a>
(2005).
&ldquo;The Sequence Ontology: a tool for the unification of genome annotations&rdquo;.
In: <em>Genome biology</em> 6.5, p. R44.</cite></p>
<p><cite><a id='bib-samtools'></a><a href="#cite-samtools">Li, H., B. Handsaker, A. Wysoker, et al.</a>
(2009).
&ldquo;The sequence alignment/map format and SAMtools&rdquo;.
In: <em>Bioinformatics</em> 25.16, pp. 2078&ndash;2079.</cite></p>
<p><cite><a id='bib-quinlan2010bedtools'></a><a href="#cite-quinlan2010bedtools">Quinlan, A. R. and I. M. Hall</a>
(2010).
&ldquo;BEDTools: a flexible suite of utilities for comparing genomic features&rdquo;.
In: <em>Bioinformatics</em> 26.6, pp. 841&ndash;842.</cite></p>
</textarea>
<style data-target="print-only">@media screen {.remark-slide-container{display:block;}.remark-slide-scaler{box-shadow:none;}}</style>
<script src="https://remarkjs.com/downloads/remark-latest.min.js"></script>
<script>var slideshow = remark.create({
"ratio": "16:9"
});
if (window.HTMLWidgets) slideshow.on('afterShowSlide', function (slide) {
window.dispatchEvent(new Event('resize'));
});
(function(d) {
var s = d.createElement("style"), r = d.querySelector(".remark-slide-scaler");
if (!r) return;
s.type = "text/css"; s.innerHTML = "@page {size: " + r.style.width + " " + r.style.height +"; }";
d.head.appendChild(s);
})(document);
(function(d) {
var el = d.getElementsByClassName("remark-slides-area");
if (!el) return;
var slide, slides = slideshow.getSlides(), els = el[0].children;
for (var i = 1; i < slides.length; i++) {
slide = slides[i];
if (slide.properties.continued === "true" || slide.properties.count === "false") {
els[i - 1].className += ' has-continuation';
}
}
var s = d.createElement("style");
s.type = "text/css"; s.innerHTML = "@media print { .has-continuation { display: none; } }";
d.head.appendChild(s);
})(document);
// delete the temporary CSS (for displaying all slides initially) when the user
// starts to view slides
(function() {
var deleted = false;
slideshow.on('beforeShowSlide', function(slide) {
if (deleted) return;
var sheets = document.styleSheets, node;
for (var i = 0; i < sheets.length; i++) {
node = sheets[i].ownerNode;
if (node.dataset["target"] !== "print-only") continue;
node.parentNode.removeChild(node);
}
deleted = true;
});
})();
(function() {
"use strict"
// Replace <script> tags in slides area to make them executable
var scripts = document.querySelectorAll(
'.remark-slides-area .remark-slide-container script'
);
if (!scripts.length) return;
for (var i = 0; i < scripts.length; i++) {
var s = document.createElement('script');
var code = document.createTextNode(scripts[i].textContent);
s.appendChild(code);
var scriptAttrs = scripts[i].attributes;
for (var j = 0; j < scriptAttrs.length; j++) {
s.setAttribute(scriptAttrs[j].name, scriptAttrs[j].value);
}
scripts[i].parentElement.replaceChild(s, scripts[i]);
}
})();
(function() {
var links = document.getElementsByTagName('a');
for (var i = 0; i < links.length; i++) {
if (/^(https?:)?\/\//.test(links[i].getAttribute('href'))) {
links[i].target = '_blank';
}
}
})();</script>
<script>
slideshow._releaseMath = function(el) {
var i, text, code, codes = el.getElementsByTagName('code');
for (i = 0; i < codes.length;) {
code = codes[i];
if (code.parentNode.tagName !== 'PRE' && code.childElementCount === 0) {
text = code.textContent;
if (/^\\\((.|\s)+\\\)$/.test(text) || /^\\\[(.|\s)+\\\]$/.test(text) ||
/^\$\$(.|\s)+\$\$$/.test(text) ||
/^\\begin\{([^}]+)\}(.|\s)+\\end\{[^}]+\}$/.test(text)) {
code.outerHTML = code.innerHTML; // remove <code></code>
continue;
}
}
i++;
}
};
slideshow._releaseMath(document);
</script>
<!-- dynamically load mathjax for compatibility with self-contained -->
<script>
(function () {
var script = document.createElement('script');
script.type = 'text/javascript';
script.src = 'https://mathjax.rstudio.com/latest/MathJax.js?config=TeX-MML-AM_CHTML';
if (location.protocol !== 'file:' && /^https?:/.test(script.src))
script.src = script.src.replace(/^https?:/, '');
document.getElementsByTagName('head')[0].appendChild(script);
})();
</script>
</body>
</html>