- 综合排序
- 最热优先
- 最新优先
- 来自专栏三代测序-说
全基因组 - 人类基因组变异分析 (PacBio)（7）-- AnnotSV
基因组结构变异（structure variant, SV）是基因组变异的重要组成部分，大片段插入(Insertion, INS)、缺失(Deletion, DEL)、倒位(Inversion, INV 第三代基因组测序因其读长较长，可轻松跨越重复区域和基因组复杂区域，能够更全面的检测基因组的SV。 ACMG，全称为American College of Medical Genetics and Genomics美国医学遗传学与基因组学学会。 AnnotSV支持.vcf和.bed作为输入，可以非常方便地集成到各种分析流程中。输出也非常灵活，有TSV、VCF和HTML报告等多种格式。 如果你需要可视化分析，可以使用AnnotSV的前端工具knotAnnotSV，非常好用。
1.4K10编辑于 2023-12-09 - 来自专栏生信修炼手册
全基因组数据CNV分析简介
除了利用aCGH和snp芯片来检测CNV之外，也可以通过NGS数据来分析CNV, 比如全基因组和全外显子测序。 针对全基因组CNV的检测，还针对开发了一种称之为CNV_seq的测序策略，指的是低深度全基因组测序，只需要5X的测序深度，就可以有效的检测CNV。 本文根据一篇2015年的综述来简单介绍下全基因组CNV分析的策略，文章标题如下 Whole-genome CNV analysis: advances in computational approaches Read-Depth(RD) RD方法利用拷贝数和对应区域测序深度的相关性来进行分析，基本模型是缺失区域的测序深度相对低，而插入区域的测序深度相对高。 综上所述，每种算法各有其优缺点，综合使用多种策略有助于提高检测结果的准确性和敏感性，同时设置对照样本，可以更加有效的分析拷贝数的变化。
4.1K20发布于 2019-12-19 - 来自专栏生信技能树
小鼠全基因组数据分析
有点类似于肿瘤外显子的数据分析流程： As additional controls, each of the variants was compared with the FVB/NJ genome in 小鼠WGS数据分析准备工作 一般来说，可以选择最新版小鼠参考基因组(mm10)了，如果你实在有其它需求，也可以自行选择其它版本。 首先看比对成sam后的bam文件，大小是： 138G Jul 6 23:55 control.bam 139G Jul 7 00:12 F03.bam 83G Jul 6 04:47 F05 dbsnp $snp \ -O ${sample}_raw.vcf \ 1>${sample}_log.HC done 其实这样的shell脚本是很烂的， 因为这个小鼠全基因组数据太大 8, 9, MT, X, Y] 也就是说我们给的vcf文件里面的染色体是没有chr这个前缀，可是我们给的参考基因组里面却有这个前缀。
2.9K20发布于 2018-08-16 - 来自专栏生信菜鸟团
全基因组癌症分析(PCAWG)文献精读
全基因组癌症分析（Pan-Cancer Analysis of Whole Genomes 缩写：PCAWG）项目旨在对38种不同肿瘤类型的2600多种原发癌及其配对正常组织进行了全基因组测序和综合分析 在PCAWG的主导下，来自全球700个科学家完成了对2658份癌症样本做了全基因组测序工作。 为了促进各种肿瘤类型之间的比较，所有肿瘤和匹配的正常基因组均经过统一的比对和变异检测算法，并且必须通过严格的质量控制测试。 ---- 6.Analyses of non-coding somatic drivers in 2,658 cancer whole genomes 5 FEB 2020, Nature ---- 7.
1.4K11发布于 2020-07-02 - 来自专栏Sentieon
Sentieon | 水稻全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于水稻全基因组测序数据的自动化流程脚本。 测试水稻样本测序深度36.98X，从FASTQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻全基因组WGS分析时间，有效加快水稻的分子育种进程。 脚本应用示例使用上述脚本对水稻全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDOryza_sativa物种名和倍性水稻(二倍体)参考基因组GCF_034140825.1_ASM3414082v1 ASM3414082v1_genomic.fna.gz测试硬件配置CPU为单颗AmpereOne A192-32X内存为512GB DDR5系统为Ubuntu 24.04/Kernel 6.8测试结果使用本文流程对水稻全基因组测序数据进行变异检测分析 从FastQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻的全基因组WGS分析时间，有效加快作物的分子育种进程。
39810编辑于 2025-10-29 Sentieon | 鸡全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于鸡全基因组测序数据的自动化流程脚本。 测试鸡样本测序深度55.26X，从FASTQ到VCF全流程分析最快用时29.21分钟，大幅缩短了鸡的全基因组WGS分析时间，有效加快畜禽的分子育种进程。 脚本应用示例使用上述脚本对鸡全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDGallus_gallus物种名和倍性鸡(二倍体)参考基因组GCF_016699485.2_bGalGal1 512GB DDR5系统为Ubuntu 24.04/Kernel 6.8测试结果使用本文流程对鸡全基因组测序数据进行变异检测分析，下表为不同CPU核数下的计算时间和资源调用情况：128核96核64核32 从FastQ到VCF全流程分析最快用时29.21分钟，大幅缩短了鸡的全基因组WGS分析时间，有效加快畜禽的分子育种进程。
27110编辑于 2025-11-11- 来自专栏三代测序-说
全基因组 - 人类基因组变异分析（PacBio) （1）
，填补了此前几十年人类基因组研究留下的空白：大约 8% 的人类基因组序列「黑洞」，这些区域因为序列复杂性，一直无法被破译，尽管 2003 年国际人类基因组计划（HGP）曾经号称已经「完成了」人类基因组图谱绘制的工作 全基因组版块先主要以人类重测序分析为主，后期陆续加入小鼠，动植物（挖坑，思路和使用软件类似）。 癌症基因组还包括大规模结构变异，例如大的插入、缺失、逆转、重复、易位和基因融合, 使得三代测序及分析能够提供有关癌症基因组复杂性最全面的观点。 本次以人类基因组重测序变异分析为引，先分享PacBio的分析流程，然后是ONT平台的分析流程，还会加入串联重复序列，染色体分型，拷贝数变异，融合基因以及基因组甲基化修饰的分析。 先放一张PacBio人类基因组变异分析的流程图，我们会根据流程图的顺序讲解每个软件的具体使用方法，最后串联成 pipeline 进行数据的批量分析，我们下节见! 图片
82350编辑于 2023-10-19 - 来自专栏生信技能树
全基因组测序的7个概念（学徒翻译）
血液含有两种类型的癌症起源物质对分子分析敏感：完整的循环肿瘤细胞（CTC）和无细胞的循环肿瘤DNA（cfDNA；也称为循环肿瘤DNA或ctDNA）。 医生可以用从患者手臂抽取的血液来分析肿瘤通常流入血液的DNA。根据肿瘤大小和血管分布的情况，循环中释放的cfDNA的量在血浆中存在的所有DNA的0.01％至90％之间变化。 因此，液体活组织检查提供了一种无创的肿瘤分子谱分析方法，无需获得肿瘤组织。 全基因组测序是什么？ NCI将人类全基因组测序定义为：一种被用于确定个体完整DNA序列（包括非编码序列）中的几乎全部近30亿核苷酸的的实验室方法。该模块的重点是人类的全基因组测序。 全基因组测序原本通过Sanger测序来测序人类基因，这花费了十多年的时间和十多亿美元。现在，我们运用被称为“次代测序”、“大规模平行测序”和“高通量测序”的新技术。
1.4K20发布于 2019-08-22 - 来自专栏三代测序-说
全基因组 - 人类基因组变异分析（PacBio) （5）-- pbsv
目前该技术广泛应用于基因组Denovo组装、全长转录本检测、宏基因组，基因组重测序等多个方向，并且在染色体结构变异（Structure Variation, SV）的检测中有着不可替代的优势。 本期我们就继续沿着分析流程图一起看看基于比对结果检测染色体结构变异（SV）分析方法。 2.2） 7.cuteSV，文章于2020年发表于Genome Biology (14)， github上更新至2023年11月14号（version 2.1）。 获得单个或者所有样本的结构变异和基因型，.svsig.gz到.vcf 具体分析命令 数据我们还是使用德系犹太人家系：HG002（子）、HG003（父）、HG004（母），具体参考全基因组 - 人类基因组变异分析 参考文献 神灯宝典之PB三代重测序分析实录（一） 神灯宝典之三代重测序分析实录（二） 三代测序时代的临床科研 三代重测序到底能干什么？
2.1K00编辑于 2023-11-24 - 来自专栏三代测序-说
全基因组 - 人类基因组变异分析 (PacBio）（6）-- ANNOVAR
如果将个体基因组与参考基因组相比，变异的数量是巨大的。 但如果只考虑你和我两个人，我们基因组上的差别并没有这么多，因为在上述8800万个变异位点上我们的序列很大可能是相同的。 实际上，如果我们和人类参考基因组GRch38相比，那么我们的基因组差异大概在400-500万个（其中超过99.9%是单核苷酸多态性和短片段插入缺失变异），手动检查每个位点非常耗时且有些不切实际。 ANNOVAR能够利用最新的数据来分析各种基因组中的遗传变异。 第6，7列：参考碱基，突变碱基。
1.7K21编辑于 2023-12-07 - 来自专栏三代测序-说
全基因组 - 人类基因组变异分析（PacBio) （4）-- DeepVariant
我们对下机数据进行比对分析 (pbmm2软件)，提取全基因组中所有的潜在多态性SNP位点和小片段插入/缺失InDel位点（DeepVariant软件），后期再根据质量值、深度、重复性等因素做进一步的过滤筛选 从测序数据中进行准确的变异检测也是生物学、医学研究和精准医学的基础我们对下机数据进行比对分析 (pbmm2软件)，提取全基因组中所有的潜在多态性SNP位点和小片段插入/缺失InDel位点（DeepVariant 我们对下机数据进行比对分析，提取全基因组中所有的潜在多态性SNP位点和小片段插入/缺失InDel位点，再根据质量值、深度、重复性等因素做进一步的过滤筛选，最终得到高可信度的SNP数据集并注释。 二、变异检测工具目前SNP和INDEL变异检测的软件有很多，比如老牌行业“金标” 由Broad Institute 开发 GATK，即Genome Analysis Toolkit 基因组分析工具。 c \ > deepvariant.cohort.vcf.gz#未设置 --bed "/data/${CAPTURE_BED}" 五、结果说明DeepVariant软件输出结果为vcf格式文件（图7）
2.3K21编辑于 2023-11-12 - 来自专栏医学数据库百科
TCGA泛癌全基因组分析（PCAWG）介绍
我们在进行TCGA数据分析的时候，除了可以对单一的癌种进行分析之外。还可以对所有的33种肿瘤进行统一的分析解读，来寻找33种肿瘤当中所存在的共同的特征。这就是我们说到的泛癌分析了。 关于泛癌分析的计划，从2013年就开始了。那个时候就提到了要对TCGA的所有数据来来进行整合的分析。 ? 再往后系统的泛癌分析接下来就是到了今年的PCAWG了。 ? 所谓PCAWG 泛癌全基因组分析(Pan-Cancer Analysis of Whole Genomes , PCAWG)是TCGA的相关工作人员，利用TCGA数据当中的WGS(全基因组测序)的数据 在数据分析方面，PCAWG Scout可以进行所有其他数据库进行的分析 在数据下载方面，尤其是最原始的BAM数据的下载ICGC数据库是可以的，别的都不行。 ?
4.3K10发布于 2020-07-23 - 来自专栏生信小王子
GWAS | 使用GEMMA进行全基因组关联分析
GEMMA (Genome-wide Efficient Mixed Model Association) 是基于混合模型进行全基因组关联分析的工具。 运行速度非常快，结果准确，使用也十分方便，非常适合初学者做GWAS分析。 ? 首先我们要下载和安装GEMMA。 计算好的kinship矩阵在目录下的output文件夹中，接下来就可以进行关联分析了。 ./gemma-0.98.1-linux-static -bfile gemma_input -k .
10.7K42发布于 2020-08-10 - 来自专栏小明的数据分析笔记本
全基因组关联分析（GWAS）学习笔记——3.1
参考资料 https://github.com/MareesAT/GWA_tutorial/ 全基因组关联分析学习资料（GWAS tutorial） 论文 A tutorial on conducting .bim > snp_1_22.txt plink --bfile HapMap_3_r3_6 --extract snp_1_22.txt --make-bed --out HapMap_3_r3_7 接下来是统计最小等位基因频率 plink --bfile HapMap_3_r3_7 --freq --out MAF_check 对统计结果进行可视化 maf_freq<-read.table(" image.png 最小等位基因频率阈值设置为0.05对数据进行过滤 plink --bfile HapMap_3_r3_7 --maf 0.05 --make-bed --out HapMap_3_
2.2K20发布于 2020-03-03 - 来自专栏小明的数据分析笔记本
全基因组关联分析（GWAS）学习笔记——3.2
书接上文 全基因组关联分析（GWAS）学习笔记——3.1 参考资料 https://github.com/MareesAT/GWA_tutorial/ 全基因组关联分析学习资料（GWAS tutorial --make-bed --out HapMap-adj awk '{print$2,$5,$6}' 1kG_MDS7.bim > 1kGMDS7_tmp awk '{print$2,$5,$6}' HapMap-adj.bim --out corrected_hapmap awk '{print$2,$5,$6}' corrected_hapmap.bim > corrected_hapmap_tmp sort 1kGMDS7_ txt sed 's/LWK/AFR/g' race_1kG7.txt>race_1kG8.txt sed 's/TSI/EUR/g' race_1kG8.txt>race_1kG9.txt sed ' $8, $9, $10, $11, $12, $13}' HapMap_3_r3_13_mds.mds > covar_mds.txt 运行完以上代码就得到了下一步分析需要用到的covar_mds.txt
1.7K30发布于 2020-03-03 - 来自专栏三代测序-说
全基因组 - 人类基因组变异分析（PacBio) （2）-- CCS的使用
一、基因组 PacBio SMRTbell文库的构建流程 1. 基因组SMRTbell文库构建流程 以基因组HiFi文库为例（10-20Kb文库 ) ，图1左所示： 1）通过核酸提取得到基因组DNA（gDNA)后，先利用G-tube管或Megaruptor System 将基因组片段化至合适大小 （一般动植物基因组20 Kb建库，微生物基因组10 Kb建库）； 2）通过去除单链悬突、损伤修复和末端修复等步骤，得到完整的双链DNA插入片段； 3）通过将SMRTbell接头连接至双链 CLR模式适用超长片段文库（> 25 kb），对下机的subreads数据不再进行后续处理，可以直接使用，用作下游分析的原始数据，唯一的缺点就是每条reads准确度低一些。 并且服务器配置SMRTlink软件的用户，可以直接在SMRTlink中运行CCS（Circular Consensus Sequencing）程序，运行完成以后，你还会在SMRTlink里面得到CCS分析报告
4.8K31编辑于 2023-10-26 - 来自专栏三代测序-说
全基因组 - 人类基因组变异分析（PacBio) （3）-- pbmm2
BWA-MEM 是一种新的比对算法，用于将测序 reads 或者组装后 contigs 比对至大型参考基因组，例如人参考基因组。 1.参考基因组的获取 分析前，除测序数据外，我们还需准备对应物种的参考基因组fasta文件。对此可以根据自己研究的需要，在NCBI、Ensembl、UCSC等常见数据库中进行下载。 公共数据演示： (1) 从gencode数据库下载人类参考基因组, 进行pbmm2索引。 PacBio推荐人类参考基因组（详细参照李恒博客），所以采用推荐基因组进行后续分析。 重测序数据分析（短序列的比对算法SNP/indel 和CNV/SV calling 方法） 2. 神灯宝典之PB三代重测序分析实录（一） 你可能不知道的基因组注释文件冷知识 超精华生信ID总结，想踏入生信大门的你-值得拥有
2.2K50编辑于 2023-11-23 - 来自专栏小明的数据分析笔记本
R语言rMVP包做GWAS（全基因组关联分析）分析实例
植物里做GWAS分析通常是选择某个群体做二代基因组测序（有的已经研究比较多的物种比如 水稻、玉米可以能已经发表过很多数据，），测序数据与参考基因组进行比对鉴定变异位点，然后用变异位点和表型特征去做关联分析
3.4K21编辑于 2024-05-18 Sentieon | 野草莓（Fragaria vesca）全基因组WGS分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于野草莓（Fragaria vesca）全基因组测序数据的自动化流程脚本。 测试野草莓样本测序深度82.91X，从FASTQ到VCF全流程分析最快用时8.15分钟，大幅压缩了植物群体基因组分析时间，加快科研成果转化。 脚本应用示例使用上述脚本对野草莓全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDFragaria vesca物种名和倍性野草莓(二倍体)参考基因组GCF_000184155.1_ 1.0_genomic.fna.gz测试硬件配置CPU为单颗AmpereOne A192-32X内存为512GB DDR5系统为Ubuntu 24.04/Kernel 6.8测试结果使用本文流程对野草莓全基因组测序数据进行变异检测分析 从FastQ到VCF全流程分析最快用时8.15分钟，大幅压缩了植物群体基因组分析时间，加快科研成果转化。Sentieon在不断地优化算法的运行效率，为科研工作者提供更快速、更经济的基因检测方案。
20210编辑于 2026-01-07- 来自专栏量子位
7分钟分析人类全基因组，他们刷新全球纪录，此前最快也要24小时
金磊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 7分钟，这是来自中国的一支团队“合力出成绩”、一举打破的世界纪录： 全球首次将人类全基因组分析，推进分钟级时代。 他们这次所做的具体任务，叫做30X人类全基因组测序（WGS）胚系变异分析。 （其中，“30X”是指全基因组测序的深度） 而在这个团队之前，同等条件下完成这项任务所需的时间，却长达近24小时之久。 所以咱就是说，现在的“battle”结果就是——24小时 vs 7分钟，性能整个提升了200多倍！ 与此同时，在相同条件下的计算成本还降低了80%，存储成本也下降30%。 从24小时到7分钟，他们是怎么办到的？ 人类全基因组测序要做的事，就是对未知基因组序列的物种进行个体的基因组测序。 但非常明显的一个难题，就是其数量过于庞大。 如此一来，在最终测序完成之后，全基因组的数据量便将达到约100G。 而且随着技术的不断迭代演进，数据的存储已经从最初的人类基因组开始细分扩展，逐步涉及到肿瘤、遗传病的检测等等。
44820编辑于 2021-12-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号