2018/12/11生信作业1

一、在任意文件夹下面创建形如 1/2/3/4/5/6/7/8/9 格式的文件夹系列。

mkdir -p 1/2/3/4/5/6/7/8/9

2、在创建好的文件夹下面，比如我的是 /Users/jimmy/tmp/1/2/3/4/5/6/7/8/9 ，里面创建文本文件 me.txt

cd 
cd 1/2/3/4/5/6/7/8/9/
touch me.txt

三、在文本文件 me.txt 里面输入内容: Go to: http://www.biotrainee.com/
I love bioinfomatics.
And you ?

cat > me.txt
 Go to: http://www.biotrainee.com/ 
I love bioinfomatics. 
And you ? # 复制过来
                   #ctrl+d 退出

四，删除上面创建的文件夹 1/2/3/4/5/6/7/8/9 及文本文件 me.txt

rm -r 1/

五、在任意文件夹下面创建 folder1~5这5个文件夹，然后每个文件夹下面继续创建 folder1~5这5个文件夹，效果如下：

mkdir -p folder{1..5}/folder{1..5}

六、在第五题创建的每一个文件夹下面都 创建第二题文本文件 me.txt ，内容也要一样。

echo / | xargs

七，再次删除掉前面几个步骤建立的文件夹及文件

cd 
rm -r  1

八、下载 http://www.biotrainee.com/jmzeng/igv/test.bed 文件，后在里面选择含有 H3K4me3 的那一行是第几行，该文件总共有几行。

wget  http://www.biotrainee.com/jmzeng/igv/test.bed
grep H3K4me3 test.bed| less -SN  #错误的 不能传给 less -SN
 cat  test.bed|grep -n H3K4me3 
???

九、下载 http://www.biotrainee.com/jmzeng/rmDuplicate.zip 文件，并且解压，查看里面的文件夹结构

wget http://www.biotrainee.com/jmzeng/rmDuplicate.zip
 unzip rmDuplicate.zip
cd rmDuplicate
tree

十、打开第九题解压的文件，进入 rmDuplicate/samtools/single 文件夹里面，查看后缀为 .sam 的文件，搞清楚 生物信息学里面的SAM/BAM 定义是什么。

less -SN  *.sam

SAM

SAM(Sequence Alignment/Map)格式是一种通用的比对格式，用来存储reads到参考序列的比对信息。
SAM是一种序列比对格式标准，由sanger制定，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示，当然也可以表示任意的多重比对结果。
SAM分为两部分，注释信息（header section）和比对结果部分（alignment section）。

BAM文件
BAM是SAM的二进制格式，因此两者格式相同，只是BAM文件占用储存空间更小，运算更快
BAM是二进制，linux里面显示乱码

sam与bam是两种最常用的比对结果输出文件格式，如转录组Tophat分析软件输出的比对结果为.bam文件，而BWA、bowtie等比对软件则主要输出为.sam文件。bam文件格式是sam文件的二进制格式，占用的存储空间更小，更利于节省存储资源，而且bam文件的计算处理也更快，但二进制无法直接查看则是它的一个明显缺点。

sam和bam可以相互转换么？

十一、安装 samtools 软件

sudo apt-get install samtools 这种安装方式需要root权限，不一定有权限
可以 部署 conda

conda search sra-tools
conda install -y sra-tools 

十二、打开 后缀为BAM 的文件，找到产生该文件的命令。
samtools view *.bam | less -SN

-h：在sam输出中包含header信息
-H：只输出header信息

十三题、根据上面的命令，找到我使用的参考基因组 /home/jianmingzeng/reference/index/bowtie/hg38 具体有多少条染色体。

十四题、上面的后缀为BAM 的文件的第二列，只有 0 和 16 两个数字，用 cut/sort/uniq等命令统计它们的个数。

samtools view tmp.sorted.bam|less -SN|cut -f2|wc      
#53个数字
samtools view tmp.sorted.bam|less -SN|cut -f2|sort|uniq|wc
# 只有2个数字
samtools view tmp.sorted.bam|less -SN|cut -f2|grep 0|wc
# 29个 0
samtools view tmp.sorted.bam|less -SN|cut -f2|grep 16|wc
# 29个 0
#24 个16

十五题、重新打开 rmDuplicate/samtools/paired 文件夹下面的后缀为BAM 的文件，再次查看第二列，并且统计

十六题、下载 http://www.biotrainee.com/jmzeng/sickle/sickle-results.zip 文件，并且解压，查看里面的文件夹结构， 这个文件有2.3M，注意留心下载时间及下载速度。

unzip sickle-results.zip
tree 

十七题、解压 sickle-results/single_tmp_fastqc.zip 文件，并且进入解压后的文件夹，找到 fastqc_data.txt 文件，并且搜索该文本文件以 >>开头的有多少行？

unzip single_tmp_fastqc.zip
tree
cat fastqc_data.txt|grep  '^>>' | wc -l
# 24行

十八题、下载 http://www.biotrainee.com/jmzeng/tmp/hg38.tss 文件，去NCBI找到TP53/BRCA1等自己感兴趣的基因对应的 refseq数据库 ID，然后找到它们的hg38.tss 文件的哪一行。
grep 'NM_054012' hg38.tss| wc -l

十九题、解析hg38.tss 文件，统计每条染色体的基因个数？
？

二十题、解析hg38.tss 文件，统计NM和NR开头的熟练，了解NM和NR开头的含义。

cat hg38.tss |cut -f 1| grep '^NM' |wc -l
cat hg38.tss |cut -f 1| grep '^NR' |wc -l