HTSeq技术详解：高通量测序数据分析Python工具指南

概述

HTSeq是一个强大的Python工具包，专门为高通量测序(HTS)数据分析而设计。它提供了一系列功能模块，帮助研究人员处理和分析RNA-Seq、ChIP-Seq等测序数据。本文将深入介绍HTSeq的核心功能和使用方法。

数据读取与质量分析

FASTQ文件读取

HTSeq可以轻松读取FASTQ格式的测序数据文件：

import HTSeq
fastq_file = HTSeq.FastqReader("yeast_RNASeq_excerpt_sequence.txt", "solexa")

这里需要注意质量值的编码格式：

• "phred"：默认格式（Phred+33）
• "solexa"：旧版Solexa/Illumina格式（1.8版本前使用）
• "solexa_old"：1.3版本前的Solexa格式

质量值分析

我们可以计算每个位置的平均质量值：

import numpy
qualsum = numpy.zeros(len(read), int)
nreads = 0
for read in fastq_file:
    qualsum += read.qual
    nreads += 1
avg_qual = qualsum / float(nreads)

使用matplotlib可以绘制质量值曲线：

from matplotlib import pyplot
pyplot.plot(avg_qual)
pyplot.show()

比对数据读取

HTSeq支持多种比对文件格式的读取：

SAM文件读取

alignment_file = HTSeq.SAM_Reader("yeast_RNASeq_excerpt.sam")
for aln in alignment_file:
    print(aln)

BAM文件操作

HTSeq通过pysam库支持BAM文件的读写：

# 读取BAM文件
bam_reader = HTSeq.BAM_Reader("SRR001432_head_sorted.bam")

# 写入BAM文件
bam_writer = HTSeq.BAM_Writer.from_BAM_Reader("region.bam", bam_reader)
for a in bam_reader.fetch(region="1:249000000-249200000"):
    bam_writer.write(a)
bam_writer.close()

基因组区间与基因组数组

GenomicInterval类

GenomicInterval表示基因组上的一个区间，包含以下属性：

• chrom：染色体名称
• start：起始位置（0-based）
• end：结束位置（半开区间）
• strand：链方向（'+'、'-'或'.'）

iv = HTSeq.GenomicInterval("chr1", 100, 250, "+")
print(iv.chrom, iv.start, iv.end, iv.strand)

GenomicArray类

GenomicArray用于存储基因组位置相关的数据：

# 创建GenomicArray
ga = HTSeq.GenomicArray(chromlens, stranded=False, typecode="i")

# 赋值操作
iv = HTSeq.GenomicInterval("chr1", 100, 120, ".")
ga[iv] = 5

# 读取数据
iv = HTSeq.GenomicInterval("chr1", 90, 140, ".")
for iv2, value in ga[iv].steps():
    print(iv2, value)

覆盖度分析

计算基因组覆盖度是常见的分析需求：

# 创建覆盖度数组
cvg = HTSeq.GenomicArray("auto", stranded=True, typecode="i")

# 计算覆盖度
alignment_file = HTSeq.SAM_Reader("yeast_RNASeq_excerpt.sam")
for alngt in alignment_file:
    if alngt.aligned:
        cvg[alngt.iv] += 1

# 输出BedGraph格式
cvg.write_bedgraph_file("plus.wig", "+")
cvg.write_bedgraph_file("minus.wig", "-")

基因组注释处理

GenomicArrayOfSets类

用于处理重叠的基因组特征：

gas = HTSeq.GenomicArrayOfSets("auto", stranded=False)
gas[HTSeq.GenomicInterval("chr1", 100, 250)] += "A"
gas[HTSeq.GenomicInterval("chr1", 360, 640)] += "A"
gas[HTSeq.GenomicInterval("chr1", 510, 950)] += "B"

# 查询重叠特征
read_iv = HTSeq.GenomicInterval("chr1", 450, 800)
fset = set()
for iv, val in gas[read_iv].steps():
    fset |= val
print(sorted(fset))

实际应用示例

RNA-Seq数据分析流程

1. 读取比对文件
2. 计算基因表达量
3. 分析差异表达

# 1. 读取比对文件
alignment_file = HTSeq.SAM_Reader("sample.sam")

# 2. 初始化基因计数字典
gene_counts = {}

# 3. 读取注释文件
features = HTSeq.GenomicArrayOfSets("auto", stranded=True)
for feature in HTSeq.GFF_Reader("annotation.gff"):
    if feature.type == "exon":
        features[feature.iv] += feature.attr["gene_id"]

# 4. 计数
for aln in alignment_file:
    if aln.aligned:
        gene_set = set()
        for iv, val in features[aln.iv].steps():
            gene_set |= val
        for gene in gene_set:
            gene_counts[gene] = gene_counts.get(gene, 0) + 1

总结

HTSeq为高通量测序数据分析提供了强大的Python工具集，主要特点包括：

1. 支持多种测序数据格式的读取
2. 提供基因组区间和数组的高效操作
3. 简化了覆盖度计算等常见分析任务
4. 便于整合到自定义分析流程中

通过合理使用HTSeq的各种功能，研究人员可以构建灵活、高效的数据分析流程，满足各种定制化分析需求。