序列映射（mapping）与对齐（alignment）转录组必看的内容| 生物人最值得看的哈佛生信课04

在转录组数据分析中，假设我们已经使用fastqc进行了QC，使用了trimmomatic对序列进行清洗，现在得到了一组高质量的双端测序的reads文件。

但是当你打开这个文件时，发现这里面只有一堆ATGC组成的序列，这和网上说的差异基因分析似乎还有一点距离。而且现在我们有两个双端测序的文件，对于大脑来说有点难以理解。

所以就要使用mapping和alignment来把这些reads比对到参考基因组（reference）上，这次的内容会主要关注RNA-seq的一些分析，下一篇文章会关注DNA的比对，大家可以点个关注不迷路。

序列映射（mapping）

映射是将测序得到的短序列（reads）与参考基因组或转录组中的已知序列进行匹配的过程。这个过程的目的是确定每个read在参考序列中的位置。映射可以是精确的，也可以允许一定程度的差异，如单核苷酸差异或小的插入/缺失。

对齐（Alignment）

对齐是指将两个或多个序列进行比较，以识别它们之间的相似性或差异。这通常涉及到确定序列中相对应的核苷酸或氨基酸位置，并标记匹配、错配和空位。对齐可以是全局的，也可以是局部的，并且可以用于比较相同或不同物种的序列。

值得一提的是，虽然mapping和Alignment在概念上有些许不同，但是在实际应用中可以互换使用，不用过于纠结他们的定义。

应用：

1. 转录组分析： 映射和对齐是RNA-seq分析的核心步骤，用于研究基因表达模式和识别转录本变异。

2. 基因组组装： 在基因组测序中，映射read到参考基因组帮助组装新序列，并识别基因组变异。

3. 变异检测： 在癌症研究、种群遗传学等领域，通过映射和对齐来识别和分析体细胞突变或种群水平的遗传变异。

4. 蛋白质功能研究： 通过将蛋白质序列与已知功能的蛋白质序列对齐，可以预测新蛋白质的功能。

5. 系统发育分析： 对齐不同物种的基因或蛋白质序列，构建系统发育树，研究物种间的进化关系。

在生物信息学中，映射和对齐是基础且广泛应用的步骤，它们为多种生物学问题的研究提供了重要的数据支持。常用的映射工具包括STAR、HISAT2、Bowtie2等，而对齐工具则包括BLAST、Clustal Omega、MAFFT等。转录组分析时，我使用的流程是用STAR（spliced transcripts alignment to reference）来进行mapping，以后有机会给大家分享。

相关算法

Seed

Seed算法是基于k-mer的。在序列比对中，k-mer指的是序列中长度为k的连续子序列。使用哈希表来储存存储参考序列中所有可能的种子位置。这样，当查询序列中的一个种子与参考序列中的种子匹配时，可以快速找到潜在的匹配区域。

在NCBI的blast中，就使用了类似seed的算法（seed-and-extend paradigm）来快速查找相关序列。

seed算法的应用主要集中在一代测序时期，我拿到一个序列，我去看一下和database中的哪些序列是类似的。但是对于二代高通量测序，进行RNA-seq分析时，运算速度显然不太足够。

Suffix Array（后缀数组）

suffix array（后缀数组）是一种数据结构，它包含了一个字符串所有后缀的起始位置的有序列表。这个列表是按照后缀字符串的字典序进行排序的，使得后缀数组可以用于快速地进行字符串匹配、序列比对和其他相关操作。简单来说，后缀数组是一个高效索引，用于快速查找和比较生物序列中的子字符串。

原理看上去有点像本科在电子信息的时候学的二分算法。已经有一些软件使用suffix array 进行mapping，在RNAseq中有非常广泛的利用，比如前面说的STAR。

STAR --runThreadN 6 \
--runMode genomeGenerate \ 
--genomeDir ./genome_index/ \ 
--genomeFastaFiles Danio_rerio.GRCz11.dna.primary_assembly.fa \
--sjdbGTFfile Danio_rerio.GRCz11.112.gtf --sjdbOverhang 149 

使用这些比对软件还是非常神奇的，上一秒还是一堆看上去毫无意义的字符串。运行完程序后，就比对到基因组上了。比如RNA测序中，大多会比对到一些表达基因上，可以进行后续使用featurecount进行计数，转化成表达矩阵，然后就可以用R进行后续的处理啦。