ubiome類似數據dada2處理探索3

1.導入qiime2前的準備

我簡單處理了下otu序列和表，使它們能導入qiime2，應該是一行shell代碼解決的，shell水平不行，python來頂了。

import os 

fout = open('otus.txt', 'w')
fout_otab = open('otab.txt', 'w')
with open('dada2_counts.txt') as f:
	i = 1
	for line in f:
		if i == 1:
			fout_otab.write('#OTU\t' + line.split('\t')[0])
			i += 1
			continue
		seq_name  = '>OTU' + str(i)
		fout.write(seq_name +'\n')
		number = line.split('\t')[1]
		seq = line.split('\t')[0]
		fout.write(seq + '\n')
		fout_otab.write(seq_name.split('>')[1] + '\t' + number)
		i += 1

fout.close()
fout_otab.close()

2.qiime流程走一回

基本上是參考官方文檔和宏基因組微信公衆號的，

#轉成biom格式
biom convert -i otab.txt -o otab.biom --table-type="OTU table" --to-json
#導入ASV表
qiime tools import \
  --input-path otab.biom \
  --type 'FeatureTable[Frequency]' \
  --input-format BIOMV100Format \
  --output-path table.qza
 # 導入參考序列
qiime tools import \
  --type 'FeatureData[Sequence]' \
  --input-path otus.fasta \
  --output-path otus.qza
 echo 統計並可視化
qiime feature-table summarize \
--i-table table.qza \
--o-visualization table.qzv
echo 代表序列統計並可視化
qiime feature-table tabulate-seqs \
--i-data otus.qza \
--o-visualization otus.qzv

來看看序列，因爲前面已經處理好了，這裏應該是沒有變化的，只是個統計而已。

echo 分類 Taxonomic analysis
qiime feature-classifier classify-sklearn \
  --i-classifier  gg-13-8-99-515-806-nb-classifier.qza\
  --i-reads otus.qza \
  --o-classification taxonomy.qza
echo 可視化
qiime metadata tabulate \
  --m-input-file taxonomy.qza \
  --o-visualization taxonomy.qzv
 # 準備sample--metadata.tsv然後畫個柱狀圖
 echo 畫圖
qiime taxa barplot \
  --i-table table-with-phyla.qza \
  --i-taxonomy taxonomy.qza \
  --m-metadata-file sample-metadata.tsv \
  --o-visualization taxa-bar-plots-p.qzv

這裏就獲得了一個柱狀圖，雖然只的一個樣本，

那麼現在這條路走通了，後面做批量樣本就可以了，只是官方不推薦這麼做的，畢竟，不確定這樣做會有多少物種錯誤分類或者假陽性。還需要後面的驗證，比如跑個模擬菌落，能不能把數據庫優化成和測序數據拼接後一樣的，這樣是不是準確度會更高一點。定製流程是一個比較有難度的活。

qiime2的簡單探索暫時就到這裏，後面繼續接着用兩個R包進行物種註釋看看結果，方便的話比較一下兩者的差別。然後學習一下phyloseq進行分析，這個包好像也比較有名，基本上還是官方文檔的小參數修改而已。

前面已經進行的探索有：

1.ubiome數據分析流程學習筆記1

2.ubiome類似數據dada2處理探索2