Getting Data into Bioconductor （文件的读入）

学习最快乐

Overview

如何将数据导入 R/Bioconductor，这需要格式文件 ！通常来说进入数据文件 需要将数据读入data container. 如ExpressionSetandSummarizedExperiment，以及类GRanges` 。下面将简单介绍常见的文件格式以及对应的读取文件的R包。

Application Area微阵列数据

大多数微阵列数据可通过供应商特定的文件格式（如CEL（Affymetrix）或IDAT（Illumina））向最终用户提供。这些文件格式可以使用供应商特定的软件包来读取，例如

• r Biocpkg("affyio")
• r Biocpkg("affxparser")
• r Biocpkg("illuminaio")
  

这些软件包非常低级。 在实践中，许多分析特定的软件包支持将这些文件导入有用的数据结构，而使用这些软件包之一更好。 例如

• r Biocpkg("affy") for Affymetrix Gene Expression data.
• r Biocpkg("oligo") for Affymetrix and Nimblegen expression and SNP array data.
• r Biocpkg("lumi") for Illumina arrays.
• r Biocpkg("minfi") for Illumina DNA methylation arrays (the 450k and 27k arrays).
  

高通量序列

原始数据 FASTQ  格式的文件

大多数分析的第一步是将读数映射到基因组上。对于 aligned reads为BAM（SAM）格式 的。

然而，BAM（和SAM和FASTQ）文件相当大，并且仍然表示在分析之前需要进一步处理。然而，这种进一步的处理因应用领域（ChIP，RNA，DNA等）而异。另外，文件格式非常少，一个的标准格式的例子是BigWig。作为缺乏标准的示例，仍然没有标准文件格式表示基因或转录水平上的RNA-seq读数;不同的管道提供不同类型的文件。幸运的是，这些文件通常是文本文件，可以用UCSC处理文本文件的标准工具进行读取，包括UCSC表可以从同一个包中访问，例如使用getTable（）和ucscTableQuery（）。

还支持在r Biocpkg（“rtracklayer”）中解析GFF（基因组文件格式）。

File typesFASTQ 文件

这些文件用来显示序列读段, 通常来自 一个Illumina sequencer.  See the r Biocpkg("ShortRead") package.

BAM / SAM files

从参考序列比对了的读段.  See the Biocpkg("Rsamtools") package.

VCF files

CVF是用于描述SNP，INDEL和SV结果的文本文件。是表示基因型的文件，通常通过在高通量测序数据上运行基因分型流程来产生。它的二进制文件为BCF,r Biocpkg("VariantAnnotation")可以进入此种文件。

UCSC Genome Browser formats

这些格式包括：

• Wig and BigWig
• Bed and BigBed
• bedGraph
  

用 r Biocpkg("rtracklayer") 包来读取,   GFF 文件也可以被读取 (annotation files).

文本文件

一个重要的特殊情况是简单的文本文件，由“TAB”或“，”分开，然后通常命名为TSV（标签分隔值）或CSV（逗号分隔值）。

读取这些类型的文件的基本R函数是通用的，但是速度慢，read.table（）。它有大量的参数，可以自定义来读取大多数文件。请注意以下参数

• sep：分隔符
• comment.char：注释行，例如标题行。
• colClasses：如果你知道文件中不同列的类，你可以大大加快功能。
• “quote”：默认值为“”“，这可能会导致使用3’和5’的基因组学问题。
• row.names，col.names
• “skip”，“nrows”，“fill”：读取文件的一部分。
  

对于非常复杂的文件，您可以使用readLines（）将文件读入字符向量。

虽然read.table（）经典，但是慢。

r CRANpkg（“readr”）包具有read_tsv(), read_csv() 和 read_delim()这些函数比read.table（）  快得多。

r CRANpkg（“data.table”）包具有fread（）函数，这是我知道的最快的解析器， 但是没有’r CRANpkg（“readr”）`中的函数灵活。

得到公共数据库的数据

• NCBI GEO (Gene Expression Omnibus):   the r Biocpkg("GEOquery") package.
• NCBI SRA (Short Read Archive):        the r Biocpkg("SRAdb") package.
• EBI ArrayExpress:           the r Biocpkg("ArrayExpress") package.
  

Jimmy

用网络插件markdown here排版好像有一点点丑，你的md文件都有备份吧？

学习最快乐

Jimmy 发表于 2017-7-6 10:36
用网络插件markdown here排版好像有一点点丑，你的md文件都有备份吧？

有的