Practical: Downloading and parsing a genome

Loading...

Из курса от партнера Johns Hopkins University

Algorithms for DNA Sequencing

407 оценки

Johns Hopkins University

Algorithms for DNA Sequencing

407 оценки

Курс 4 из 8 — Specialization Genomic Data Science

We will learn computational methods -- algorithms and data structures -- for analyzing DNA sequencing data. We will learn a little about DNA, genomics, and how DNA sequencing is used. We will use Python to implement key algorithms and data structures and to analyze real genomes and DNA sequencing datasets.

Из урока

DNA sequencing, strings and matching

This module we begin our exploration of algorithms for analyzing DNA sequencing data. We'll discuss DNA sequencing technology, its past and present, and how it works.

Module 1 Introduction1:32

Lecture: Why study this?4:29

Lecture: DNA sequencing past and present3:08

Lecture: Genomes as strings, reads as substrings5:02

Lecture: String definitions and Python examples3:33

Practical: String basics 7:14

Practical: Manipulating DNA strings 7:00

Practical: Downloading and parsing a genome 6:29

Lecture: How DNA gets copied3:37

Optional lecture: How second-generation sequencers work 7:10

Optional lecture: Sequencing errors and base qualities 6:37

Lecture: Sequencing reads in FASTQ format4:39

Practical: Working with sequencing reads 11:11

Practical: Analyzing reads by position 6:58

Lecture: Sequencers give pieces to genomic puzzles5:41

Lecture: Read alignment and why it's hard3:09

Lecture: Naive exact matching10:18

Practical: Matching artificial reads 6:53

Practical: Matching real reads 7:24

Познакомьтесь с преподавателями

Ben Langmead, PhD
Assistant Professor
Computer Science
Jacob Pritt

Department of Computer Science

В этом практикуме мы пройдем, как загружать и

парсить наш референсный геном.

Итак, мы даем вам ссылку на файл данных FASTA,

который содержит геном вирус лямбда фага.

Если вы загрузите его в вашу директорию с Питоном и

откроете, вы увидете файл, который выглядит вот так.

Вы заметите, что первая строка начинается со стрелки.

И после содержит просто много идентифицирующей информации,

включая название организма, которое фаг энтеробактерии лямбда.

И затем, следом просто множество оснований.

Здесь строки по 70 оснований и весь файл просто наполнен ими.

И это полный геном этого организма.

Итак теперь я собираюсь загрузить этот набор данных в iPython и обработать их.

Итак, я собираюсь использовать wget, чтобы сделать это.

Если файл у вас загружен, вы просто можете открыть его локально.

Но это будет скачивать его по URL.

Итак, я собираюсь выполнить !wget --no-check и

затем я собираюсь скопировать URL к набору данных.

И когда я запущу это, я должен увидеть вывод.

Что-то вроде того.

И затем он сообщает, что файл сохранен в lambda_virus.fa.

>> То есть этот восклицательный знак ты использовал для

своей команды здесь, это спецальный трюк iPython, правильно?

Он помогает, он главным образом позволяет вам запускать что-то в командной строке,

но внутри документа iPython.

>> Так.

Если вы загрузите FASTA файл лямбда вируса и просто положите его в

папку, в которой вы работаете с Питоном. вы можете просто пропустить этот шаг.

Теперь, когда мы загрузили его,

давайте напишем функцию, чтобы прочитать геном из FASTA файла.

Итак, я собираюсь определить новую функцию readGenome и передать ей имя файла.

И я собираюсь работать с геномом как со строкой, поэтому я начну просто с пустой строки.

Затем я буду добавлять каждую строку оснований к строке.

Итак, чтобы открыть файл, я запускаю open(filename 'r')

Это обозначает, что мы открываем файл для чтения.

Если бы мы записывали файл, мы бы поставили 'w' здесь.

И затем мне нужно присвоить ему имя, поэтому я назову обработчик файла f.

И теперь простой способ прогнать цикл по строкам этого файла, просто сказать

for line in f.

И теперь он будет читать файл построчно и

сохранять каждую строку файла в переменной line.

Итак, первое что мне нужно сделать. это если это первая строка этого файла,

которая начинается со стрелки, мы хотим пропустить ее.

Она просто содержит информацию, которая нам не нужна.

Итак, я собираюсь сказать, если первый символ в строке не

стрелка, значит она должна быть строкой, содержащей основания.

И в таком случае, я собираюсь добавить ее в нашу строку генома.

Итак, я собирабсь сказать, genome += line.rstrip.

И что делает rstrip, так это удаляет любые

количество оставшихся пробелов с конца строки.

И в этом случае это отрежет символ новой строки в конце.

Если есть пропуски, табы и другие пробелы,

это также отрежет их заодно.

И затем, когда все это сделано, я собираюсь вернуть genome.

Итак, давайте запустим это.

давайте читать геном.

Итак, я собираюсь сказать genome = readGenome.

И я собираюсь передать имя файла, которое,

если мы используем wget, написано прямо здесь.

Это lambda_virus.fa.

И, чтобы убедиться, что мы читаем его правильно,

давайте выведем первые 100 оснований генома.

Итак, вы должны увидеть такой вывод.

Давайте также убедимся, что мы прочитали его весь.

Давайте посмотрим на длину этого генома.

Итак, длина генома лямбда фага примерно 48 500 оснований.

Хорошо. Отлично. Теперь, когда мы его сохранили, давайте проведем некоторый его анализ.

Давайте посчитаем частоту каждого основания.

Итак, я собираюсь сделать это, используя словарь.

Я собираюсь завести ключ для каждого основания и значение для

частоты, число раз, когда основание встречается.

Итак, инициализируем каждую частоту нулями.

Как здесь.

Теперь я собираюсь прогнать цикл по каждому основанию в геноме.

Итак, я собираюсь сказать for base in genome

и я собираюсь увеличивать значение для этого ключа в нашем словаре counts.

Итак я собираюсь сказать counts(base) += 1, как здесь.

И затем, когда это сделано, я просто вывожу на экран наш словарь counts.

Итак, поехали.

Вы можете видеть для каждого основания,

у нас есть число, показывающее, как много раз это основание встретилось.

Вы можете видеть, что G и A встречаются немного чаще, чем T и C, но

эта разница неочень большая.

Между ними довольно ровное разделение.

И если вы сложите эти числа, они должны давать 48 502,

что является длиной генома.

Мы можем также сделать это, используя модуль Питона, что сделает нашу жизнь проще.

Давайте попробуем.

import collections.

Итак, мы собираемся использовать модуль collections.

И я собираюсь запустить

collections.counter и я собираюсь передать counter строку.

В данном случае я просто передаю строку генома.

И счетчик делает в точности то, что мы только что делали.

Это прогонит цикл по всем символам в строке и

посчитает появление каждого символа.

Итак, если мы сделаем это, результатом будет объект counter, но внутри этого объекта

вы должны увидеть что-то, что выглядит в точности как наш словарь.

с каждым основанием вместе с его частотой.

Ознакомьтесь с нашим каталогом

Присоединяйтесь бесплатно и получайте персонализированные рекомендации, обновления и предложения.

Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.

© Coursera Inc., 2019 Все права защищены.

Загрузить из App Store

Загрузить в Google Play