零代码进行转录组数据分析实战（一）：质量控制

一个完整的转录组测序项目大概分为以下三个阶段：

• 体内：mRNA 生成阶段。转录生成 mRNA 前体，再经过转录后加工形成成熟的 mRNA。

• 体外：建库测序阶段。RNA提取、片段化、逆转录以及上机测序。

• 生信：生物信息分析阶段。数据质控、比对、定量，以及差异表达基因分析等。
  
  

从本文开始，着眼于生信阶段，开始带领大家进行转录组实战。首先就是测序数据质控。

进入网站

进入 Galaxy 生信云平台：https://usegalaxy.cn/

创建一个新的历史

点击历史面板顶部的加号：

数据上传

我们使用 Galaxy 平台提供的测试数据。两个RNA-seq样本：一个处理，一个未处理。

• GSM461177 (untreated): GSM461177_1，GSM461177_2

• GSM461180 (treated): GSM461180_1，GSM461180_2

数据共享 > 数据库 > RNA-seq > GSM461177_GSM461180，找到4个fastq文件，全部选择后，点击 Add to History 菜单中的 as Datasets。

创建一个配对数据的集合

• 回到历史面板中，选中4个Fastq文件，点击菜单中的 Build List of Dataset Pairs。
  

• 将两个样本配对后的名称改为：

GSM461177_untreat_paired， GSM461180_treat_paired。

• 填入一个名称：2 PE fastqs

• 点击 Create collection 创建一个数据集合。
  

质量控制

因为 FastQC 软件一次只能处理双端Fastq文件中的一个，所以我们要先将刚才创建的配对数据集合转换成单个Fastq文件的列表。

1. 工具 Flatten collection 

   Input Collection: 2 PE fastqs

2. 工具 FastQC

   Raw read data from your current history: 点击 Dataset collection，选择工具 Flatten collection 的输出结果

3. 工具 MultiQC

    按下图所示设置参数：

质控结果查看

FastQC的结果经MultiQC汇总后，可以展示以下指标：

• 基本统计

• 单碱基序列质量

• 单碱基序列内容

• 单碱基N含量

• 序列质量分布

  

• 序列GC含量分布

  

• 序列长度分布

  

• 重复序列分析

  

• 序列重复水平分析

  

• 过表达序列分析

  

• 接头分析

  

可以看到 MultiQC 汇总的结果中，从单碱基水平，到序列水平，进行了全方位的质量控制。根据这些指标我们很容易判断每一个测序文件的质量。

关于简说基因

• 生信平台

  Galaxy中国（UseGalaxy.cn）致力于打造中国人的云上生物信息基础设施。大量在线工具免费使用。无需安装，用完即走。活跃的用户社区，随时交流使用心得。

• 生信培训

  简说基因的生信培训班，荣获学员的一致好评。如果你也对生物信息学感兴趣，欢迎来跟简说基因，学真生信。
  

• 生信分析

  我们能够承接所有 NGS 组学数据分析业务，包括但不限于 WGS / WES / RNA-seq 等。基因组组装、注释，以及各种重测序业务都可以与简说基因合作。