转录组学数据分析 Ming Chen’s Group of Bioinformatics 冯聪

Presentation on theme: "转录组学数据分析 Ming Chen’s Group of Bioinformatics 冯聪"— Presentation transcript:

1 转录组学数据分析 Ming Chen’s Group of Bioinformatics 冯聪 ventson@zju.edu.cn
@College of Life Science, Zhejiang University 转录组学数据分析 冯聪 12/24, 2018

2 前言 基因组学 转录组学 蛋白质组学 中心法则：遗传信息传递 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 前言 基因组学 转录组学 蛋白质组学 from en.wikipedia 中心法则：遗传信息传递

3 转录组概述 Protein-coding RNAs (mRNAs) Structural RNAs: rRNAs/tRNAs
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 转录组概述 Transcriptome Protein-coding RNAs (mRNAs) Non-coding RNAs (ncRNAs) Structural RNAs: rRNAs/tRNAs Catalytic RNAs: ribozymes (e.g. RNase P and snRNP) Small ncRNAs microRNAs siRNAs Exogenous Endogenous Virus Transgenic induction natsiRNAs tasiRNAs casiRNAs Long ncRNAs circRNA

4 转录本测定技术发展 NGS 转录组学研究技术革新 SAGE CAGE MPSS
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 转录本测定技术发展 Experiment-based Northern blot RT-PCR Hybridization-based Microarray Sequencing-based SAGE CAGE MPSS Advanced seq NGS 3GS Single cell 转录组学研究技术革新

5 RNA-seq与基因芯片比较（WikiPedia）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 转录本测定技术比较 RNA-seq与基因芯片比较（WikiPedia） 通量 最低RNA含量 参考基因组 定量精确度 灵敏度 动态范围 基因芯片 较高 约1μg 必需 约90% 10-3 >105 依赖于荧光信号 RNA-seq 高 约1 ng 非必要 10-6 依赖于测序深度

6 差异表达 可变剪切 共表达 转录调控 应用 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 应用 差异表达 可变剪切 共表达 转录调控

7 RNA测序（RNA-sequencing）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University RNA测序（RNA-sequencing） from GATC Biotech 1.试验设计 2.测序流程 3.数据分析 4.验证实验

8 试验设计 问题导向型 数据导向型 生物学重复（3-5个） 样本提取（分类和保存） 数据异质性（平台、个体差异） 确定分析流程 分析工具选用
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 试验设计 问题导向型 生物学重复（3-5个） 样本提取（分类和保存） 测序深度（简单基因表达分析需5M以上reads，小RNA至少30M） 文库构建（链特异性非特异性） 测序策略（单端和双末端） 测序平台（读长、通量和准确率等） 数据导向型 数据异质性（平台、个体差异） 确定分析流程 分析工具选用

9 测序平台比较 测序平台 发布时间 测序读长 （bp） 单次最大通量（Gbp） read准确率 NCBI SRA run数量（2016）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 测序平台比较 测序平台 发布时间 测序读长 （bp） 单次最大通量（Gbp） read准确率 NCBI SRA run数量（2016） 454 2005 700 0.7 99.9% 3548 Illumina 2006 50-300 900 362903 SOLiD 2008 50 320 7032 Ion Torrent 2010 400 30 98% 1953 PacBio 2011 10000 2 87% 160

10 测序流程 Ming Chen’s Group of Bioinformatics mRNA：Poly A富集 ncRNA：rRNA移除
@College of Life Science, Zhejiang University 测序流程 mRNA：Poly A富集 ncRNA：rRNA移除 Griffith, M. (2015) PLoS computational biology

11 数据分析流程 RNA-seq数据分析常规流程 系统配置 数据获取 质量控制 比对组装 表达定量 差异表达 聚类分析 功能富集 共表达网络
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 数据分析流程 系统配置 数据获取 质量控制 比对组装 表达定量 差异表达 聚类分析 功能富集 共表达网络 RNA-seq数据分析常规流程

12 系统配置 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 系统配置

13 数据获取 NCBI SRA TCGA/GDC(cancer) EBI ArrayExpress 公共数据库 测序公司 Fastq文件格式：
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 数据获取 NCBI SRA TCGA/GDC(cancer) EBI ArrayExpress fastq-dump (SRAToolkit) 公共数据库 测序公司 Fastq文件格式：

14 质量控制 FastQC—测序质量评估 FASTX-Toolkit，Trimmomatic—质量控制
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 质量控制 去接头；过滤低质量reads FastQC—测序质量评估 FASTX-Toolkit，Trimmomatic—质量控制

15 比对（reads mapping） 非剪接比对—Bowtie，BWA （不考虑可变剪切）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 比对（reads mapping） 非剪接比对—Bowtie，BWA （不考虑可变剪切） 剪接比对—TopHat，STAR，HISAT/GSNAP，MapSplice(SNP) TopHat工作原理 Trapnell, C. (2009) Bioinformatics

16 比对结果 比对结果文件—SAM（SAMtools） 比对结果可视化—IGV (local) 比对结果评估—Qualimap
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 比对结果 比对结果文件—SAM（SAMtools） 比对结果可视化—IGV (local) 比对结果评估—Qualimap

17 表达定量 Reads counting Normalization Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 表达定量 Reads counting 只保留唯一匹配reads —HTSeq-count，featureCounts 保留多重匹配reads —Cufflinks，StringTie，RSEM Normalization RPKM，FPKM，TPM —校正测序深度、基因长度 DESeq/edgeR(TMM) —校正异常高表达基因

18 比对组装策略选择 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 比对组装策略选择 Conesa, A. (2016) Genome Biology

19 差异表达分析 选取样本：样本相关性，大样本降维（主成分分析） 模型选择：高斯分布（正态），泊松分布（v=μ），负二项分布（v=μ+αμ2）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 差异表达分析 选取样本：样本相关性，大样本降维（主成分分析） 模型选择：高斯分布（正态），泊松分布（v=μ），负二项分布（v=μ+αμ2） 差异检验：组间差异（处理差异）— 组内差异（个体差异）?= 0 筛选条件：p value（多重检验校正） & FoldChange（差异倍数） 工具 版本 标准化方式 模型假设 统计检验 edgeR 3.18.1 TMM/Upper quartile/RLE 负二项分布 Exact test DESeq2 1.16.1 DESeq sizeFactors Wald test/LRT baySeq 2.10.0 quantile/TMM/total empirical Bayesian NOIseq 2.20.0 RPKM/TMM/Upper quartile 非参数 Condition vs. null Limma TMM voom 转换 Empirical Bayes Cuffdiff2 2.2.1 Geometric/quartile/FPKM β负二项分布 t-test EBSeq 1.16.0 DESeq median normalization 常用差异表达分析工具比较

20 聚类分析 基因表达聚类结果（pheatmap） Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 聚类分析 单基因分析 vs. 基因模块分析 常用聚类方法：K-means（K均值），层次聚类，SOM（自组织映射），FCM（模糊C均值） 基因表达聚类结果（pheatmap）

21 富集分析 基因集 功能集 常用工具：DAVID，agriGO，GSEA，IPA，clusterProfiler GSEA原理 超几何分布
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 富集分析 GO/KEGG 基因集 功能集 常用工具：DAVID，agriGO，GSEA，IPA，clusterProfiler GSEA原理 Subramanian, A. (2005) PNAS 表达量-样本相关性排序，功能基因集分布，计算富集得分 超几何分布 特定功能集S 不属于功能集S 总基因数 目标基因 x k-x k 背景基因 M N-M N Fisher精确检验

22 共表达网络 基因集 基因网络 不同样本表达模式相似的基因功能应该也类似 根据表达量计算相关性矩阵，构建共表达网络
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 共表达网络 基因集 基因网络 不同样本表达模式相似的基因功能应该也类似 相互作用 根据表达量计算相关性矩阵，构建共表达网络 Interaction，相关性系数：Pearson，Spearman 无标度网络  WGCNA权重基因共表达网络分析 核心基因（Hub genes） MCODE网络模块挖掘（子网络） CytoScape网络可视化

23 验证试验 PCR，凝胶电泳 相关性 因果关系 基因敲除，敲减，过表达 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 验证试验 PCR，凝胶电泳 相关性 因果关系 基因敲除，敲减，过表达

24 拓展 全长转录本（三代测序） 技术革新 单细胞测序（single cell） 整合应用 多组学整合：基因组，表观组，蛋白组，代谢组，表型组
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 拓展 全长转录本（三代测序） 技术革新 单细胞测序（single cell） 多组学整合：基因组，表观组，蛋白组，代谢组，表型组 非编码：lncRNA，circRNA 表观转录组：m6A修饰 整合应用

25 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 操作实践-核心分析 系统配置：Linux服务器（IP： ，账号student1-10，已预装软件），Windows（IGV，Qualimap，R等） 数据获取：GSE80565（脱落酸处理8小时拟南芥幼苗&对照），基因组序列、注释来自TAIR数据库 核心分析 组别 实验处理 生物学重复 SRA编号 文件大小（GB） 实验组 ABA，8h 2 SRR 1.8 SRR 1.7 对照组 EtOH，8h SRR 1.6 SRR 质量控制 预处理 质量评估 reads比对 比对 可视化 转录本拼接 拼接整合 注释比较 计算表达 FPKM Counts 表达量矩阵：基因X样本

26 数据预处理 ##创建工作目录，存放SRA文件 $ mkdir rnaseq $ cd rnaseq/ $ mkdir data
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 数据预处理 ##创建工作目录，存放SRA文件 $ mkdir rnaseq $ cd rnaseq/ $ mkdir data $ cd data/ $ mkdir sra rnaseq data sra genome index fastqc_results fastx_results alignment assembly abundance count rpkm ##使用fastq-dump将SRA文件转为fastq格式 $ fastq-dump -h $ fastq-dump SRR sra & $ fastq-dump SRR sra & $ fastq-dump SRR sra & $ fastq-dump SRR sra & $ ll -h #查看文件大小 $ df -h #查看系统硬盘使用情况 $ rm *.sra #删除原始文件，节省空间

27 质量评估 ##使用FastQC检测原始测序数据质量
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 质量评估 ##使用FastQC检测原始测序数据质量 $ fastqc -o ../fastqc_results -f fastq SRR fastq SRR fastq SRR fastq SRR fastq & #参数说明：-o输出路径，-f输入数据格式 #输出文件为HTML报告和压缩包

28 质量控制 ##使用fastx_trimmer截去reads前12位碱基（以SRR3418005为例，下同）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 质量控制 ##使用fastx_trimmer截去reads前12位碱基（以SRR 为例，下同） $ fastx_trimmer -Q 33 -f 12 -i SRR fastq -o fastx_results/ SRR _trimmed.fastq & #参数说明：-Q为Illumina编码转换，-f截取起始位置，-i输入文件，-o输出文件 ##使用fastq_quality_filter过滤低质量reads $ fastq_quality_filter -Q 33 -q 20 -p 80 -i SRR _trimmed.fastq -o SRR _filtered.fastq & #参数说明：-Q同上，-q保留结果所需达到的最低得分，-p每个reads中达到-q得分的最小百分数 ##重新使用FastQC检测数据质量 $ fastqc -o ../fastqc_results -f fastq SRR _filtered.fastq & #参数说明：-o输出路径，-f输入数据格式 #输出文件为HTML报告和压缩包

29 质量控制前后结果比较 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University 质量控制前后结果比较

30 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University Reads比对 ##建立基因组索引 $ hisat2_extract_splice_sites.py tair10.gtf >tair10.ss & $ hisat2_extract_exons.py tair10.gtf >tair10.exon & $ hisat2-build --ss ../gff/tair10.ss --exon ../gff/tair10.exon ../genome/fasta/tair10.fasta tair10 & #参数说明：使用--ss和--exon会消耗大量内存（拟南芥基因组索引可能需要12G以上内存，故本案例实际使用时未添加--ss和--exon），tair10为索引文件前缀 ##使用HISAT2进行reads比对 $ hisat2 -p 2 --dta -x ../data/index/tair10 -U ../data/fastx_results/SRR _filtered.fastq -S SRR sam & #参数说明：-p线程数，--dta用于转录本拼接，-x为index库文件前缀，-U为单端测序文件（双端测序使用 -1，-2），-S输出文件

31 比对文件处理及可视化 ##使用samtools对SAM文件排序并转换为BAM文件
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 比对文件处理及可视化 ##使用samtools对SAM文件排序并转换为BAM文件 $ samtools sort 2 -m 200M -o SRR bam SRR sam & ##使用IGV工具（Integrative Genomics Viewer）展示比对结果 ##使用samtools建立索引 $ samtools index SRR bam SRR bai &

32 比对结果质量评估 ##使用Qualimap检测评估比对结果质量（Qualimap运行依赖Java和R，需提前安装）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 比对结果质量评估 ##使用Qualimap检测评估比对结果质量（Qualimap运行依赖Java和R，需提前安装）

33 转录本拼接、整合 ##使用StringTie进行转录本拼接
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 转录本拼接、整合 ##使用StringTie进行转录本拼接 $ stringtie -p 2 -G ../data/genome/gff/tair10.gtf -o SRR gtf -l SRR /alignment/SRR bam & #参数说明：-p线程数，-G参考基因组注释，-o输出文件，-l转录本命名前缀 ##将4个样本的gtf文件路径写入文件gtflist.txt，使--merge整合四个gtf文件 $ stringtie --merge -p 2 -G ../data/genome/gff/tair10.gtf -o stringtie_merged.gtf gtflist.txt & #参数说明：-p线程数，-G参考基因组注释信息，-o输出文件 ##使用gffcompare对整合后转录本注释与参考注释比较，获得可能的新转录本信息 $ gffcompare -r ../../data/genome/gff/tair10.gtf -G –o merged ../stringtie_merged.gtf & #参数说明：-r参考基因组注释信息，-o输出文件前缀 #需要注意基因组注释文件中的Gene ID不能有重复，否则会报错

34 计算表达丰度 ##使用StringTie计算基因和转录本的FPKM
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 计算表达丰度 ##使用StringTie计算基因和转录本的FPKM $ stringtie -e -p 2 -G ../../assembly/stringtie_merged.gtf -A SRR _genes.gtf –o SRR _transcripts.gtf ../../alignment/SRR bam & #参数说明：-G注释文件（不关注新转录本可以直接使用参考注释文件），-e只列出已知转录本丰度，-p线程数，-A输出基因水平表达丰度文件，-o输出转录本水平表达丰度文件 ##使用HTSeq-count从比对结果中提取所有基因匹配的reads count $ htseq-count -q -f bam -s no -i gene_name ../../alignment/SRR bam ../../data/genome/gff/tair10.gtf > SRR count & #参数说明：-q不显示进程报告，-f比对文件格式（sam/bam），-s是否考虑链特异性，-i提取属性名

35 操作实践-功能分析 统计分析及可视化 1.软件安装 2.差异分析 3.聚类分析 4.功能富集
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 操作实践-功能分析 统计分析及可视化 1.软件安装 2.差异分析 3.聚类分析 4.功能富集

36 软件安装 CRAN #从cran安装pheatmap，ggplot2，ggfortify chooseCRANmirror()
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 软件安装 DESeq2（差异表达分析） ggplot2（作图） pheatmap（聚类可视化） CRAN #从cran安装pheatmap，ggplot2，ggfortify chooseCRANmirror() install.packages("pheatmap") library(pheatmap) install.packages("ggplot2") library(ggplot2) install.packages("ggfortify") #从bioconductor安装DESeq2 chooseBioCmirror() #China Anhui source(" biocLite("DESeq2") library(DESeq2)

37 PCA分析 setwd("F:/rnaseq/data") #设置工作目录（根据自己存放数据的目录修改）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University PCA分析 setwd("F:/rnaseq/data") #设置工作目录（根据自己存放数据的目录修改） library(ggfortify) #载入ggfortify包 #载入数据 fpkm_pca <- read.table("fpkm_pca.txt", sep = "\t", header = TRUE) #读入fpkm矩阵 head(fpkm_pca) #查看数据 fpkm_pca <- as.data.frame(t(fpkm_pca[, 2:29])) #选取表达量数据 data <- data.frame(fpkm_pca, group = as.character(t(as.data.frame(strsplit(as.character(rownames(fpkm_pca)), "_")))[, 1])) #样本分组信息 autoplot(prcomp(fpkm_pca), data = data, colour = "group") #PCA作图

38 差异分析 #数据预处理 setwd("F:/rnaseq/data") #设置工作目录（根据自己存放数据的目录修改）
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 差异分析 #数据预处理 setwd("F:/rnaseq/data") #设置工作目录（根据自己存放数据的目录修改） library(DESeq2) #载入DESeq2包 #reads计数数据表操作 countTable <- read.table("count.txt", sep = "\t", header = FALSE) #读入reads计数矩阵 tail(countTable) #查看数据表最后的"小尾巴" countTable <- countTable[- c(33611:33615), ] #去除描述行 rownames(countTable) <- countTable$V1 #将基因ID设置为行名 countTable <- countTable[, - 1] #删除基因ID列 colnames(countTable) <- c("SRR ", "SRR ", "SRR ", "SRR ") #更改数据表列名 countTable <- countTable[- which(rowSums(countTable) < 4), ] #过滤count总数小于4的基因 nrow(countTable) #查看数据表行数（基因个数） tail(countTable) #查看修改后的数据表末尾六行 #设置样本处理信息（实验 vs. 对照） colData <- data.frame(row.names = colnames(countTable), condition = c("ABA", "mock", "ABA", "mock"))

39 差异分析 #DESeq2操作 #生成DESeqDataSet数据集
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 差异分析 #DESeq2操作 #生成DESeqDataSet数据集 dds <- DESeqDataSetFromMatrix(countData = countTable, colData = colData, design = ~ condition) dds #查看数据集 dds$condition #查看样本处理信息 dds$condition <- relevel(dds$condition, "mock") #更改mock水平（使DESeq计算FoldChange时mock组作为分母） dds$condition #查看更改水平后的样本处理信息 dds <- DESeq(dds) #差异表达计算 res <- results(dds) #生成差异表达结果 summary(res) #查看总结信息（表达上调，下调等） resOrdered <- res[order(res$padj), ] #按照校准后p值排序 write.csv(resOrdered, "DESeq2_results_all.csv") #将差异表达分析结果输出到csv文件 deg <- subset(resOrdered, padj <= 0.01 & abs(log2FoldChange) >= 2) #筛选显著差异表达基因（padj小于0.01且FoldChange绝对值大于4） summary(deg) #查看筛选后的总结信息 write.csv(deg, "DESeq2_results_significant.csv") #将差异表达显著的结果输出到csv文件

40 差异分析 #volcano plot火山图 setwd("F:/rnaseq/data") library(ggplot2)
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 差异分析 #volcano plot火山图 setwd("F:/rnaseq/data") library(ggplot2) volcano_data <- read.csv("DESeq2_results_all.csv", row.names = "X") #读入差异表达结果 volcano_data <- na.omit(volcano_data) #删除含NA的行 significant <- as.factor(abs(volcano_data$log2FoldChange) >=2 & volcano_data$padj <= 0.01) #设置显著性阈值 ggplot(volcano_data, aes(x = log2FoldChange, y = - log10(padj))) + geom_point(aes(shape = significant, color = significant)) + xlim(c(-10, 10)) + labs(x = "log2FoldChange", y = "-log10 padj") + scale_y_continuous(limits = c(0, 20), expand = c(0, 0)) + scale_shape_discrete(labels =c ("no", "yes")) + scale_color_discrete(labels = c("no", "yes")) #ggplot2命令

41 聚类分析 #heatmap聚类热图 setwd("F:/rnaseq/data") library(pheatmap)
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 聚类分析 #heatmap聚类热图 setwd("F:/rnaseq/data") library(pheatmap) deseq_results_significant <- read.csv("DESeq2_results_significant.csv", row.names = "X") #读入显著差异表达结果 significant_genes <- rownames(deseq_results_significant) #提取显著差异基因 fpkm_gtf <- read.table("fpkm.gtf") #读入FPKM注释文件 fpkm_gtf <- fpkm_gtf[-which(fpkm_gtf$V2 == "-" | fpkm_gtf$V2 == "."), ] #删除Gene ID未知的行 rownames(fpkm_gtf) <- fpkm_gtf$V2 #将Gene ID设置为行名 fpkm_significant_genes <- fpkm_gtf[significant_genes, 9:12] #提取显著差异基因的FPKM值 colnames(fpkm_significant_genes) <- c("SRR ", "SRR ", "SRR ", "SRR ") #设置列名 fpkm_significant_genes <- na.omit(fpkm_significant_genes) #删除含NA值的行 pheatmap(log2(t(fpkm_significant_genes + 1)), show_colnames = FALSE) #所有差异基因热图 pheatmap(log2(t(fpkm_significant_genes[1:30, ] + 1))) #差异基因top30热图

42 功能富集 DAVID agriGO WEGO clusterProfiler MetaScape 物种覆盖较全；数据更新慢 植物基因富集专用
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 功能富集 DAVID 物种覆盖较全；数据更新慢 agriGO 植物基因富集专用 WEGO 富集结果可视化 clusterProfiler 实时抓取；富集方法全面；R语言 MetaScape 操作简单；可视化效果好；物种较少

43 DAVID使用 Ming Chen’s Group of Bioinformatics 点击开始分析
@College of Life Science, Zhejiang University DAVID使用 点击开始分析

44 DAVID使用 第一步：导入基因列表/文件 第四步：提交运行 第二步：选择ID类型
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University DAVID使用 第一步：导入基因列表/文件 第三步：基因列表/背景 示例文件 第四步：提交运行 第二步：选择ID类型

45 DAVID使用 功能分析 Ming Chen’s Group of Bioinformatics 选择功能类型（GO，KEGG）
@College of Life Science, Zhejiang University DAVID使用 选择功能类型（GO，KEGG） 功能分析

46 DAVID使用 功能聚类集 富集结果列表 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University DAVID使用 功能聚类集 富集结果列表

47 MetaScape使用 提交运行 选择物种 上传基因 Ming Chen’s Group of Bioinformatics
@College of Life Science, Zhejiang University MetaScape使用 上传基因 选择物种 提交运行

48 什么是转录组学？ RNA-seq的研究内容？ 如何分析RNA-seq数据？ 总结
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 总结 什么是转录组学？ RNA-seq的研究内容？ 如何分析RNA-seq数据？

49 谢谢！ 转录组分析 浙江大学生命科学学院 生物信息学实验室 http://bis.zju.edu.cn 网站资源：
Ming Chen’s Group of Bioinformatics @College of Life Science, Zhejiang University 转录组分析 网站资源： 生物信息学（第三版）陈铭主编 谢谢！ 浙江大学生命科学学院 生物信息学实验室