柏程思

摘 ? 要：當前生物信息學過濾測序接頭序列的軟件不能涵蓋所有Illumina測序平臺的接頭序列。這樣造成了分析NGS數據平臺的局限性。本文通過R語言編程利用爬蟲技術對Illumina質控文件的分析，挖掘所有不能被過濾軟件識別的接頭序列。

關鍵詞：生物信息學 ?R語言編程 ?爬蟲 ?Illumina測序

中圖分類號：Q811.4 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）02（b）-0136-02

當前生物信息測序領域中，Illumina公司屬于二代測序的壟斷公司。其開發的Illumina Hiseq、Illumina Miseq、Illumina GAII等平臺已經是流行于全世界。絕大多數分子生物學、基因組學和細胞生物學實驗室都在使用Illumina平臺測序。

在二代測序的分析流程中，拿到的數據是FASTQ數據，需要先對數據進行質量控制。質量控制通常是使用FastQC軟件對FASTQ數據進行分析，判斷測序數據是否具有高質量。如果質量低，則不支持后續生物信息學分析，需要過濾。通常情況下，由于測序儀機器的誤差，從測序儀下機的數據都或多或少有低質量的序列，這些低質量需要有的是堿基質量低，有的是測序接頭未去掉（盡管Illumina大多數測序平臺的測序儀在2013年以后能保證數據下機自動去接頭，但是部分測序平臺依然不能自動去接頭）。需要過濾，而過濾使用的軟件一般為Trimmomatic軟件。但是Trimmomatic軟件過濾使用的文件是自身adapter文件夾中自帶的Truseq文件過濾測序的接頭，而這些接頭文件只包含了Hiseq、Miseq和GAII測序平臺的接頭文件，沒有包括全部的接頭文件。未去接頭的序列在質控結果中可以將接頭序列以Overrepresent形式表示出來。所以，如果我們測序時選擇的測序平臺不能自動下機去接頭，我們需要手動自己去接頭。爬蟲是利用計算機技術對網絡數據的挖掘，因為互聯網數據基本都是儲存在網絡服務器中，網絡服務器末端端口是用戶。用戶可以通過網頁訪問網絡服務器，網頁是由HTML語言搭建的可視化端口。HTML是HyperText Markup Language（超文本標記語言）的縮寫，這個語言使用<標簽>內容基本格式進行網頁編輯[1]。例如

This is how to use HTML

The way to use HTML

You can learn it

將上面這個代碼復制到一個新建TXT文本中，并將后綴命名為.html，雙擊該文件打開會出現以下內容（見圖1）。

1 ?分析方法

FASTQC軟件輸出的質控結果就有HTML本地文件，如果出現了接頭序列就會在Overrepresent中出現，Overrepresent有其對應的HTML標簽。R語言[2-3]可以通過追溯內容所在的標簽追溯到內容，這個追溯內容的路徑稱之為xpath，最后通過正則表達式篩選我們要的內容即可。首先在Linux系統上存放測序數據的路徑（該路徑中只能含有測序數據文件）下使用命令fastqc `ls $pwd`，然后下載輸出的HTML文件。先用網頁查看是否有接頭序列，再用Notepad++打開文件找接頭序列所在的xpath（見圖2）。

編寫如下R語言代碼

library（rvest）

library（stringi）

setwd（"D：/test/fastQC"）

myQCfile<-dir（"D：/test/fastQC"）

truseqindex<-NULL

for （i in 1：length（myQCfile）） {

qc<-read_html（myQCfile[i]）

a<-qc%>%

html_nodes（xpath = "http://tr/td"）%>%

html_text（）

b<-NULL

for （j in 1：length（a）） {

if（grepl（a[j]，pattern = "（TruSeq|Primer）"））{b<-c（b，a[j-3]，a[j]）} }

truseqindex<-c（truseqindex，b）}

2 ?結語

我們開發的挖掘當前過濾軟件無法過濾的接頭腳本更具有實用性，可以適用于所有NGS數據分析過濾腳本。使分析結果更具有可靠性。

參考文獻

[1] 鄧子云.爬蟲系統中標簽刪除功能的設計及優化[J].計算機系統應用，2019，28（1）：176-181.

[2] 許慶煒.B語言—生物信息學可視化流程語言[J].計算機與數字工程，2009，37（5）：90-93.

[3] 吳棟楊. 構建基于R語言的生物信息學研究平臺[A].第十次中國生物物理學術大會論文摘要集[C].中國生物物理學會，2006：1.