- 综合排序
- 最热优先
- 最新优先
- 来自专栏科研猫
单细胞测序系列（1）--单细胞全基因组测序
今天，我们就来说说单细胞测序的整套流程，以单细胞基因组测序为例，主要包括四个步骤： 单细胞分离→全基因组扩增→高通量测序→数据分析。 2 单细胞全基因组扩增 单细胞全基因组扩增(whole genome amplification,WGA)其原理是通过将单个细胞溶解得到微量基因组DNA进行高效地扩增，获得高覆盖度的单细胞基因组的技术。 3 单细胞全基因组测序 全基因组测序是筛查单细胞SNP（单核苷酸多态性）及CNV（拷贝数变异）的有效手段。 在基因组中，外显子虽然只占其全长的1%，却包含了约85%疾病相关的变异位点，因此，外显子组测序也十分重要。外显子组测序只对外显子进行富集、扩增，所以其相比全基因组测序能更加高效、更利于编码序列的读取。 2) CNV CNV是一种基因组结构变异（SV），是由基因组发生重排而导致的基因组大片段（一般长度在1 kb 以上）拷贝数增加或者减少。
6.3K42发布于 2019-09-24 - 来自专栏生信技能树
全基因组测序的7个概念（学徒翻译）
如果展开来测量，DNA约2米。有关染色体的更多信息，请参阅“什么是染色体？”部分。 什么是染色体？ 染色体是线状结构，其中，DNA被紧密包裹于细胞核内。 什么是基因组？ 基因组是生物体的一套完整的遗传信息。基因组包括创造和维持生命的所有遗传指令和繁殖指令。人类基因组和其他细胞生命形式一样由DNA组成，包括核DNA和线粒体DNA。 药物基因组学是精确医学的一个组成部分。通过结合药理学和基因组学，药物基因组学研究特定药物对一个人的基因组指纹的影响。 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 基因组测序简介
，我们看到了基因组测序技术在花费成本和时间上的大幅减少。 在这个由三部分组成的博客中，我们将对基因组测序及其发展潜力做一个简要的介绍。 [5a2b5dr3mk.jpeg] 基因组测序简介 基因组测序就是使用化学方法和记录技术依次（按顺序）读取编码基因组的字符（A，G，C，T）。 [基因测序技术发展简史] 测序技术一直是加速发展的对象。1998年至2001年，人类进行了第一次基因组测序，以2009年的美元为标准它花费了28亿美元。 今天，基因组可以在3天内进行测序，价格大约为1000美元（更多信息，请查阅美国国立卫生研究院：国家人类基因组研究所（NHGRI）> DNA测序成本）。
1.7K50发布于 2018-02-01- 来自专栏生信菜鸟团
转移性尿路上皮癌全基因组测序
研究方法： 病人和样本：116名计划接受系统性姑息治疗的mUC患者的新鲜转移肿瘤活检样本 测序策略：116名患者进行了全基因测序 WGS ，90名患者进行了 RNA测序。 数据处理流程：对于WGS ，测序读长是 2*150，数据处理流程是按 Nature 上泛癌全基因组文章的方法来 Pan-cancer whole-genome analyses of metastatic LEPROTL1启动子的突变在 GenS1 中比在 GenS2 中更频繁（Fisher 精确检验，p= 0.03）。显着突变的基因与原发性 UC 中报道的相似，但与基因组亚型不对应。 研究者整合了基因组和转录组数据，为每个转录组亚型和个体患者提出了潜在的治疗选择。 研究结论： 该研究首次基于对116名mUC患者的转移活检样本的全基因组和转录组分析，并且分别定义了mUC的分子亚型。
29910编辑于 2024-05-11 - 来自专栏生信喵实验柴
宏基因组建库测序
宿主污染是影响非常大的因素，尤其是病毒检测，由于同一细胞内，病毒基因组与宿主基因组丰度相差太大。如果全部进行测序，很难测序到病毒的序列。 2.1 如何去除宿主污染 宏基因组测序过程中，一些样品往往会包括宿主基因组和一些抑制因子，例如复杂多糖、胆酸盐、脂类和尿酸等，这些都会对测序目标序列造成影响。 不同测序平台比较 平台 二代测序 Pacbio Nanopore 优点 1、数据量大2、价格便宜3、测序丰度高，可以鉴定低丰度微生物 1、可以得到 16S 全长序列；2、准确性高，鉴定准确 1、可以进行实时测序 ，方便进行快速鉴定2、可以得到 16S 全长；3、宏基因组进行拼接效果较好； 缺点 1、读长短，唯一性差2、测序速度慢，不能进行快速鉴定；3、16S 测序无法得到全长；4、不便于宏基因组拼接； 1、价格高 2、数据量低，不能进行定量鉴定3、无法实时测序，进行快速鉴定 1、价格贵2、错误率高3、16S 序列错误率较高 写在最后：有时间我们会努力更新的。
1.4K10编辑于 2023-02-24 - 来自专栏新智元
【精度平均最高80%】机器学习+全基因组测序，准确预测人体特征
【新智元导读】人类长寿公司的研究人员最近在PNAS发表了一篇论文，利用全基因组测序数据，使用机器学习方法，预测个体的性状。 人类长寿公司的研究人员最近在PNAS发表了一篇论文，利用全基因组测序数据，使用机器学习方法，预测单个人的性状。 具体到这项研究，研究人员从1,061名18~82岁、不同种族的被试中抽取基因组测序样本信息。研究人员还采集了3D面部图像、语音样本、身高、体重等数据。 研究人员开发了一种名为最大熵的机器学习算法，并表示如果有更多的数据，模型能够得出更好的预测结果（也即将全基因组测序数据与表型和人口统计数据相匹配）。 实验中，机器学习算法发现了所有预测模型的组合。 为了探索目前基于表型的基因组的鉴定能力，我们应用全基因组测序、详细表型分析和统计建模，预测了不同祖先的1,061名参与者的生物特征。
93940发布于 2018-03-22 - 来自专栏天意生信俱乐部
基于PacBio HiFi数据的人类全基因组重测序变异分析流程
这为人类全基因组重测序（WGS）分析，尤其是复杂区域和结构性变异（Structural Variation, SV）的检测，带来了革命性的进步。 全基因组重测序（WGS）旨在全面检测个体相对于参考基因组的遗传变异，包括单核苷酸变异（SNV）、小片段插入缺失（Indel）和结构性变异（SV）。 传统的短读长测序（如Illumina）在检测基因组重复区域和复杂SV方面存在局限性。 2.序列比对: 使用 pbmm2 将HiFi reads比对到人类参考基因组。 3.变异检测: 使用 DeepVariant 检测SNVs和Indels。 序列比对 (Alignment) 使用pbmm2将高质量的HiFi reads精确映射到参考基因组上。
1.5K10编辑于 2025-04-22 - 来自专栏生信菜鸟团
肿瘤基因组测序数据高级分析--肿瘤基因组测序数据分析专栏
简介 大多数肿瘤基因组综述类文章，对于数据分析部分只是介绍了基础分析部分，也就是从原始的 fastq 文件通过质控、比对、GATK流程、Call 变异最后得到 vcf 文件和拷贝数变异的结果就结束了。 肿瘤微卫星稳定性分析 微卫星(Microsatellite)，基因组中的一类短串联重复DNA序列，一般由1-6个核苷酸组成，呈串联重复排列。由于其核心重复单元重复次数差异，微卫星具有群体多态性。 这列分析常用的软件有 MSIsensor2、MANTIS 等 肿瘤突变负荷TMB 肿瘤突变负荷（Tumor Mutation Burden,TMB）的定义是每百万碱基中被检测出的，体细胞基因编码错误 最初TMB通过全外显子测序（WES）进行检测表征，其本质上认为基因突变仅限于外显子（编码区）；后来也有很多文章基于特定 Panel 数据评估 TMB，或者基于 ctDNA 数据评估 bTMB等，原理都一样 肿瘤纯度和倍性评估 通常来说，对肿瘤组织进行测序，往往是一个混合样品，既包括肿瘤细胞也包括正常细胞，因此需要进行肿瘤纯度 purity 的评估。
4.8K43发布于 2021-10-12 - 来自专栏小明的数据分析笔记本
大肠杆菌全基因组重测序变异检测小实例（侧重变异过滤）
本文偏重对vcf文件的探索以及设置过滤标准 原文地址 Filtering and handling VCFs fastq测序获取数据 未找到原文所用数据，本文使用GATK4.0和全基因组数据分析实践（上 ）文章中的大肠杆菌基因组作为参考序列，使用wgsim软件模拟生成双端150bp测序数据 wgsim -N 80000 -1 150 -2 150 .. /Reference_genome/ecoli.fa sim_2_reads_R1.fastq sim_2_reads_R2.fastq wgsim -N 80000 -1 150 -2 150 .. 接下来是参考序列 接下来是fastq文件的名字 使用samtools变异检测获取vcf文件 这一部分参考文章 GATK4.0和全基因组数据分析实践（上） Variant calling tutorial image.png 这部分的解释自己还没有太看懂，留待后续分解 根据位点质量值和测序深度过滤我们的vcf文件 vcftools --vcf ..
2.1K10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) -- minimap2 + Sniffles2
软件安装首先从github官网上下载minimap2的二进制文件压缩包，minimap2-2.26_x64-linux.tar.bz2，然后上传到服务器上。 # minimap2，v2.26压缩包解压缩$ tar -xjvf minimap2-2.26_x64-linux.tar.bz2# -x 解压# -j 有bz2属性的# -v 显示所有过程# -f 使用档案名字 ~/.bashrc2. pbtkExample Datasets德系犹太人家系：HG002（子）、HG003（父）、HG004（母），属于个人基因组计划中的样本。 文件，.snf后期用于多样本鉴定结构变异$ sniffles --input sample1.bam --vcf sample1.vcf.gz --snf sample1.snf指定串联重复区域以及参考基因组序列
2.7K10编辑于 2023-11-26 - 来自专栏生信喵实验柴
二代测序基因组拼接实战
其中两株细菌已包含发表出来的全基因组序列。 通常只要给软件输入测序的数据，即可拼接出很好的全基因组。 >soapdenovo2.sh 六、补洞 6.1 为什么存在“洞”区域 基因组上的洞也叫做 GAP，是由Ｎ碱基构成的。 影响基因组拼接的因素很多，包括内在因素来自基因组本身的重复序列，多倍体杂合，还包括外在因素测序错误，测序饱和度等。 1、重复序列是基因组拼接最大的影响因素。 测序数据无法跨过“重复序列”区域，遇到重复区则“断开”； 2、多倍体杂合：多倍体需要测序更多的数据，杂合造成更多的“气泡”； 3、测序错误：测序错误导致 kmer 之间无法连接，
3.4K40编辑于 2022-05-23 - 来自专栏生信喵实验柴
二代测序宏基因组拼接
由于基因组本身具有的高度重复序列，多倍体杂合位点，低复杂度区域以及测序错误等诸多条件的影响，基因组拼接一直是一项非常复杂且困难的工作。 尤其是基因组重复序列的影响，一直是二代短读长测序最难解决的问题，尽管后来基于二代测序数据开发除了一些辅助拼接方案，例如大片段文库，Optical mapping光学图谱，三位基因组等辅助方案，都无法彻底解决基因组拼接难题 纳米孔测序的宏基因组拼接，由于测序长度更长，可以直接拼接出一些细菌完整的基因组序列，而这些细菌往往无法通过传统纯培养的方法获得，这为获得无法纯培养样品得到完整基因组序列提供了新思路。 影响基因组拼接的因素很多，包括内在因素来自基因组本身的重复序列，多倍体杂合，还包括外在因素测序错误，测序饱和度等。 -p 0.05 ERR2935852_2.fastq >>meta_2.fastq 3.2 基因组拼接 #基因组拼接 #写脚本 spades路径需要自己确定 echo "/share/home/xiehs
1.6K10编辑于 2023-02-24 - 来自专栏简说基因
短讯 | 利用开源 Galaxy 平台简化临床细菌全基因组测序数据分析
本文介绍了开源的 Galaxy 平台在简化临床微生物全基因组测序数据分析方面的作用。 我们认为，该平台将有助于快速且低成本地进行细菌全基因组测序数据分析，尤其适用于资源有限的环境。 引言 下一代测序（NGS）降低了测序成本并显著提高了测序通量，使得在数小时内对细菌病原体全基因组进行常规测序成为可能，并能获得对获得性抗菌药物耐药性基因相当全面的分析结果 [7,8]。 讨论 尽管下一代测序已彻底改变了医学和诊断学的许多方面，但全基因组测序在常规临床微生物学中的应用仍通常局限于参考中心、罕见耐药机制的鉴定、研究目的或回顾性流行病学监测。 Galaxy 平台便于缺乏高级生物信息学技能的临床微生物学家进行细菌全基因组测序数据分析。其使用可促进全基因组测序方法在许多临床微生物学环境中的应用，成本低且无需大量培训。
31610编辑于 2025-11-24 - 来自专栏科研猫
69 种基于全基因组测序数据分析结构变异的算法评估
在今年的 6 月份，基因组学领域的权威期刊Genome Biology发表了一篇方法学评估类文章，在这篇文章中作者系统地分类和评估了目前主要的69种基于全基因组测序（whole genome sequencing 导言 如果你已经听说过中国的10万人基因组计划和UK Biobank的50 万人基因组计划就会知道，未来是最不缺全基因组测序数据的。 我个人一直相信全基因组测序会在不久的将来成为疾病/药物研究、表型关联分析等领域的首选测序技术。哪怕是截止现在，单单在美国 St. Jude 儿童研究医院的云计算平台就已经托管了超过 11000 例全基因组测序数据样本。我不知道在国内现在是怎样的一番情况。 全基因组测序技术是目前最常见、最具应用前景的高通量测序技术之一。 重复的区间将有较高的深度，而缺失区间将有较低的测序深度。 2.Read-pair (RP)，RP 方法通过检查配对末端 reads 的长度和方向。
2.6K10发布于 2019-10-28 - 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. , 图1右和图2所示。 图片 图片 2. 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
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。 NGMLR: https://github.com/philres/ngmlr NextGenMap-LR(ngmlr)主要用于三代测序的长reads（PacBio 、Oxford Nanopore）与参考基因组的比对 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。 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 - 来自专栏生信菜鸟团
Strelka2 call Somatic 流程--肿瘤基因组测序数据分析专栏
简介 由 illumina 公司开发，用于突变检测，可以检测 somatic 和 germline ，通常来说，该软件对于小片段的 indel 检测效果比 Mutect2 更好，现在很多文章会使用 Mutect2 环境，所以请在python2 下运行。 tar -jxf strelka-2.9.10.release_src.tar.bz2 mkdir build strelka2 cd build # 注意修改安装路径 .. with 20 parallel jobs demo_somatic/runWorkflow.py -m local -j 20 在构建 config 这一步时，需要注意一点，对于肿瘤外显子或者靶向测序 和 strelka2 的结果取交集的话，也是可以的，用下面的代码就行： # 合并 mutect2 和 strelka2 的结果，保留两者的共同突变位点，保留 mutect2 vcf 文件的header和其他信息
4.5K21发布于 2021-11-23 - 来自专栏医学数据库百科
GENIE | 大型肿瘤基因组测序数据集
#TCGA]] 但是除了 TCGA 之外，还有很多公共的有组织的大型测序数据集。 其中就包括了，我们之前介绍的 [[MSKCC-肿瘤相关基因组检测公共数据库介绍]] 的数据。 和 TCGA 不同的是，目前的 GENIE 主要包括的还是基因组测序的数据。 目前这个版本包括了超过 111, 000 名患者的近 120, 000 个测序样本。 但是也由于这个数据集主要还是分析基因肿瘤基因组的变化，另外相对应的临床信息也少一些。所以基本的一些研究也是集中于肿瘤特征性的突变研究上。 其他数据集介绍 测序数据集 [[Met500-肿瘤转移数据集介绍]] [[MSKCC-肿瘤相关基因组检测公共数据库介绍]] [[ENCODE-转录调控必知数据库]] 流调数据集 [[HINTS-美国健康信息趋势调查数据集
2K10编辑于 2022-04-01 - 来自专栏育种数据分析之放飞自我
全基因组选择介绍及实践-2：构建H矩阵
文章包括H矩阵推导过程和代码实现. 2, H矩阵定义 基因组选择中, GBLUP的一个挑战是, 在参考群构建时, 需要两步, 第一步根据系谱和表型数据, 计算出伪数据(pseudo-data)(比如, 根据系谱计算公牛的女儿产奶偏差作为表型值, 因为公牛没有产奶数据), 然后用基因组信息进行评估建模, 这就造成信息的损耗和偏离. 编号1 是没有测序的个体, 祖先 编号2 是测序的个体(当代和后代) 编号3 是没有测序个体(当代和后代) 如果所有个体A矩阵按照世代排, 那么可以将其分为如下部分: ? 编号1为非测序个体 编号2为测序个体 测序个体和非测序个体的方差以及协方差: ? 假定H矩阵为所有个体的矩阵: 那么H矩阵可以分为: ? 5, H逆矩阵推导过程 H矩阵还可以写为: ? 7, 基因组信息G矩阵 令个体9~12为测序个体, G矩阵为对角线为1, 非对角线为0.7的矩阵, 有行名和列名.
1.4K30发布于 2019-06-13 - 来自专栏科研猫
二代测序的基因组数据分析入门（illumina测序原理篇）
下面正式开始建库： 1、 首先把基因组DNA用超声波打断； 2、 打断之后会出现末端不平整的情况，所以我们先要将它补齐成平末端； 3、 补平之后要在3’端使用klenow酶加上一个特异性碱基A； 4、 要读取index的序列，先用碱把测完“read1”序列的链解链掉，然后加入中性液，再加入“read2”的测序引物，“read2”引物的结合位点刚好在index序列的旁边，然后开始进行第二轮测序，一般读特异接头的 双端测序 双端测序是illumina的核心技术，简单来说就是将一条DNA链的一端测序得到“read1”，然后再测出互补链的与“read1”互补的这段的序列，得到“read2”。图九是双端测序概念图。 Read1的测序过程已经在文章中交代过。测“read2”需要倒链。倒链的过程是先让测“read1”的DNA合成双链，有了互补链之后，用化学试剂将原来的模板链从根部切断。 然后从互补链上开始进行“read2”的测序，测序原理同“read1”测序原理相同。
16.2K514发布于 2019-10-28
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