小麦多组学交流分享会

主要的分享内容如下：第一部分是学习路线与经验分享，以自身新手小白的入门之路进行分享关于生物信息学数据分析的学习经验与科研经历。第二部分是小麦多组学数据分析工具的简介与使用（Linux 服务器、R 语言、python、数据结构、编程逻辑）、群体遗传学、全基因组关联分析、序列分析与处理、R 语言科研绘图、统计分析与显著性检验、候选基因分析、QTL 整理分析、TidyGWAS 批量结果整理算法、生物信息学数据库开发与搭建、在线分析工具的开发、云计算服务器的特性与使用技巧。第三部分是具体的实际案例，包括 NILtools 近等基因系工具、GeneHAP 单倍型工具、WGS 重测序分析工具、Transer Version 转换工具等，最后再提供一些干货资料和书籍推荐。

第一部分：常用工具与使用教程

1. 小麦抗病位点全景图

阶段一：生物信息学基础（2-3 个月）

• 核心课程

  • 生物学基础：分子生物学（中心法则）、遗传学（孟德尔定律、连锁交换）
  • 计算机基础：Linux 命令行（cd, ls, grep）、Python 基础（变量、循环、函数）
  • 数据结构：链表、队列、树（推荐《数据结构与算法 Python 语言描述》）

• 资源推荐

  • 在线课程：Coursera《Bioinformatics Specialization》（Johns Hopkins University）
  • 书籍：《生物信息学：算法与应用》（David W. Mount）

阶段二：小麦多组学数据分析（3-6 个月）

• 工具学习

  ：

  • Linux 进阶：Shell 脚本编写（批量处理 FASTQ 文件）、服务器远程管理（SSH 密钥配置）
  • R 语言：ggplot2 绘图（火山图、热图）、dplyr 数据处理（filter, group_by）
  • Python：Biopython 库（序列比对）、Pandas 数据处理（merge, concat）

• 实战项目

  ：

  • 小麦全基因组重测序数据分析（从 FASTQ 到 VCF 文件）
  • 转录组差异表达分析（DESeq2 流程）

2. 小麦候选基因分析工具

​x
# 查看当前目录文件
ls -lh

# 解压压缩文件
tar -zxvf data.tar.gz

# 进程管理
top  # 实时监控进程
kill -9 12345  # 终止进程

3. 小麦QTL位置转换工具

xxxxxxxxxx
from Bio import SeqIO

# 统计FASTA文件序列长度
with open("sequence.fasta") as handle:
    for record in SeqIO.parse(handle, "fasta"):
        print(len(record.seq))

4. 小麦基因单倍型分析工具

• 工具学习

  • Linux 进阶：Shell 脚本编写时，通过编写一个批量处理 FASTQ 文件的脚本，实现对多个测序数据的质量控制、格式转换等操作。服务器远程管理方面，详细讲解 SSH 密钥配置的步骤，包括生成密钥对、将公钥添加到服务器、使用密钥登录等，提高数据传输的安全性和效率。
  • R 语言：ggplot2 绘图，以绘制火山图为例，除了基础代码，还介绍如何添加注释、调整坐标轴标签字体大小和颜色、修改图例样式等；dplyr 数据处理，通过处理小麦基因表达数据，展示filter筛选特定条件的基因、group_by按染色体分组计算基因表达平均值等操作。
  • Python：Biopython 库用于序列比对时，演示如何使用Align.PairwiseAligner()进行全局比对和局部比对，以及如何解析比对结果；Pandas 数据处理，通过合并多个基因注释文件，展示merge函数的使用方法，以及如何使用concat函数将不同实验条件下的表达数据合并。

• 实战项目

  • 小麦全基因组重测序数据分析（从 FASTQ 到 VCF 文件）：详细介绍每个步骤的具体参数设置和注意事项，如 FastQC 进行质量控制时，如何根据质量得分判断数据是否合格；BWA 进行序列比对时，如何选择合适的比对算法；GATK 进行变异检测时，如何处理 SNP 和 InDel。
  • 转录组差异表达分析（DESeq2 流程）：从原始的 RNA-seq 数据开始，讲解如何使用DESeqDataSetFromMatrix()创建数据集，如何进行标准化处理，如何进行差异表达分析，以及如何对结果进行可视化，如绘制热图、MA 图等。

扩展：分析结果怎么看？

第二部分：编程基础与数据科学

1. Linux服务器与超算用法

2. R 语言基础知识与常见用法

3. Python基础知识与常见用法

4. 生物信息常见数据结构

5. 统计学与显著性分析

扩展：哪些坑需要注意？

第三部分：实战演练与项目案例

1. 群体基因组重测序分析

2. 感病突变体转录组分析

3. 数据库网站设计与搭建

4. 云计算平台部署与优化

5. GWAS全基因组关联分析

• GWAS 流程

  1. 数据预处理：PLINK 过滤低质量 SNP（--maf 0.05 --geno 0.1）。详细解释每个参数的含义，如--maf 0.05表示最小等位基因频率小于 0.05 的 SNP 将被过滤掉，因为这些 SNP 可能是由于测序错误或罕见变异导致的；--geno 0.1表示缺失率大于 0.1 的 SNP 将被过滤掉，因为缺失率过高会影响分析结果的准确性。
  2. 群体结构分析：ADMIXTURE 确定群体分层。介绍如何选择合适的 K 值（群体数量），如何评估模型的拟合优度，以及如何使用 R 包pophelper对分析结果进行可视化，如绘制群体结构条形图。
  3. 关联分析：TASSEL 混合线性模型（MLM）。讲解混合线性模型的原理，如何设置模型参数，如协变量的选择，如何解读分析结果，如曼哈顿图和 QQ 图。
  4. 结果可视化：R 包 qqman 绘制曼哈顿图。详细说明如何对曼哈顿图进行个性化设置，如添加阈值线、修改坐标轴标签、调整点的颜色和大小等。

• 候选基因分析

  • 基因注释：Ensembl Plants 数据库。演示如何在数据库中搜索基因，查看基因的结构、功能注释、同源基因等信息，以及如何下载基因序列和注释文件。
  • 功能富集：AgriGO 工具（GO 富集分析）。介绍如何准备输入文件，如何选择合适的富集分析参数，如何解读分析结果，如富集的 GO 术语、P 值和富集倍数等。

第四部分：经验分享与个人感悟

此部分主要内容是个人简要感悟

如何从零快速入门？

如何高效的提问？

如何构建知识库？

结语

1. 干实验和湿实验都是科学研究的必备步骤，

推荐书籍

干货资料

联系方式

个人邮箱： zhaojiwen@nwafu.edu.cn 或 admin@filll.cn

个人网站：www.filll.cn

微信公众号：生信分析笔记