R*D
2 楼
小公司？看来只有上贼船一条路。垄断会越来越厉害。
【在 l*********d 的大作中提到】
: 小公司出什么招架？
【在 l*********d 的大作中提到】
: 小公司出什么招架？
s*o
3 楼
还可以
但是会一步一步释放
工程那块不是那么难 难在试剂
除非有全新的概念 3-4年没人追上
罗氏也在整 不知道能弄出啥
有没有用的说说 速度提高4倍 有啥好处？
但是会一步一步释放
工程那块不是那么难 难在试剂
除非有全新的概念 3-4年没人追上
罗氏也在整 不知道能弄出啥
有没有用的说说 速度提高4倍 有啥好处？
j*g
4 楼
相当于iPhone7 升级到iPhone7s。
对学术界的facility没啥影响，还是NextSeq好用。速度提高更没用。生物实验也不差
那两三天。
【在 s****o 的大作中提到】
: 还可以
: 但是会一步一步释放
: 工程那块不是那么难 难在试剂
: 除非有全新的概念 3-4年没人追上
: 罗氏也在整 不知道能弄出啥
: 有没有用的说说 速度提高4倍 有啥好处？
对学术界的facility没啥影响，还是NextSeq好用。速度提高更没用。生物实验也不差
那两三天。
【在 s****o 的大作中提到】
: 还可以
: 但是会一步一步释放
: 工程那块不是那么难 难在试剂
: 除非有全新的概念 3-4年没人追上
: 罗氏也在整 不知道能弄出啥
: 有没有用的说说 速度提高4倍 有啥好处？
l*d
5 楼
关键词: 100$ per genome
j*g
6 楼
囧…… 没看到这个。真这样就秒X10了…
: 关键词: 100$ per genome
【在 l*********d 的大作中提到】
: 关键词: 100$ per genome
: 关键词: 100$ per genome
【在 l*********d 的大作中提到】
: 关键词: 100$ per genome
l*y
7 楼
100块也就是marketing说说的，1000块都不是随便找一个实验室就能做到的
这个机器优势是大小通吃吧，买一台啥都能做了
【在 j*********g 的大作中提到】
: 囧…… 没看到这个。真这样就秒X10了…
:
:
: 关键词: 100$ per genome
:
这个机器优势是大小通吃吧，买一台啥都能做了
【在 j*********g 的大作中提到】
: 囧…… 没看到这个。真这样就秒X10了…
:
:
: 关键词: 100$ per genome
:
s*o
8 楼
$100 还有点难
当然最终目标是10
所以现在bioinformtion 才起步
那么多数据怎么分析 是大问题 特别和临床结合
当然最终目标是10
所以现在bioinformtion 才起步
那么多数据怎么分析 是大问题 特别和临床结合
c*o
9 楼
工程那块不是那么难 难在试剂
工程上最难的， illumina 卖仪器都是赔本的，靠试剂赚回来
除非有全新的概念 3-4年没人追上
通量是上去了，读长的老问题还是没决绝，很多区域还是没法map，其他几家还是有生
存空间的
【在 s****o 的大作中提到】
: 还可以
: 但是会一步一步释放
: 工程那块不是那么难 难在试剂
: 除非有全新的概念 3-4年没人追上
: 罗氏也在整 不知道能弄出啥
: 有没有用的说说 速度提高4倍 有啥好处？
工程上最难的， illumina 卖仪器都是赔本的，靠试剂赚回来
除非有全新的概念 3-4年没人追上
通量是上去了，读长的老问题还是没决绝，很多区域还是没法map，其他几家还是有生
存空间的
【在 s****o 的大作中提到】
: 还可以
: 但是会一步一步释放
: 工程那块不是那么难 难在试剂
: 除非有全新的概念 3-4年没人追上
: 罗氏也在整 不知道能弄出啥
: 有没有用的说说 速度提高4倍 有啥好处？
j*g
10 楼
怎么分析那么多数据？bioinformatics跟不上。
只能人工智能。
不就是王俊和碳云科技要做的事……
【在 s****o 的大作中提到】
: $100 还有点难
: 当然最终目标是10
: 所以现在bioinformtion 才起步
: 那么多数据怎么分析 是大问题 特别和临床结合
只能人工智能。
不就是王俊和碳云科技要做的事……
【在 s****o 的大作中提到】
: $100 还有点难
: 当然最终目标是10
: 所以现在bioinformtion 才起步
: 那么多数据怎么分析 是大问题 特别和临床结合
s*o
11 楼
这个也不能说太多
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
s*o
12 楼
这个也不能说太多
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
s*o
13 楼
这个也不能说太多
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
本身这个机器涉及到光，机，流体，半导体
但是最关键是试剂部分 其他机器拿过来可以copy
就是agent 不确信，
对单个企业来说， 你做信息分析当然没问题 从国家层面 又被别人掐出脖子
像现在一样 一堆文章 没几个机器是自己的 为什么
因为这个砸钱都榨不出
华大投了多少 你妈没国家扶持就是个屁
癌症病人强制基因测序 收集数据 还要病人付6000
l*d
14 楼
100$ per genome 对于Human Longevity这种靠数据量忽悠人的公司来说还是有实际意
义的.
大概以后搞genomics的不测个千尔八百的sample的出门都不好意思和人打招呼了.
-----------------------------------------------------------------------
http://www.businesswire.com/news/home/20170109006363/en/Illumina-Introduces-NovaSeq-Series%E2%80%94a-Architecture-Designed-Usher
"We are excited to be among the first to incorporate Illumina’s new NovaSeq
System into the HLI sequencing center to complement our existing HiSeq X
174; Systems,” said J. Craig Venter, PhD, Co-founder and Executive Chairman
of Human Longevity Inc. “Faster, inexpensive and innovative sequencing
technology is a key component driving breakthroughs in precision medicine.
This technology is also enabling HLI to expand the HLI database, the world’
s most comprehensive database of genomic, phenotypic, and clinical data."
义的.
大概以后搞genomics的不测个千尔八百的sample的出门都不好意思和人打招呼了.
-----------------------------------------------------------------------
http://www.businesswire.com/news/home/20170109006363/en/Illumina-Introduces-NovaSeq-Series%E2%80%94a-Architecture-Designed-Usher
"We are excited to be among the first to incorporate Illumina’s new NovaSeq
System into the HLI sequencing center to complement our existing HiSeq X
174; Systems,” said J. Craig Venter, PhD, Co-founder and Executive Chairman
of Human Longevity Inc. “Faster, inexpensive and innovative sequencing
technology is a key component driving breakthroughs in precision medicine.
This technology is also enabling HLI to expand the HLI database, the world’
s most comprehensive database of genomic, phenotypic, and clinical data."
s*s
15 楼
这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
GPU/专门芯片加速的潜力。
在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
【在 j*********g 的大作中提到】
: 怎么分析那么多数据？bioinformatics跟不上。
: 只能人工智能。
: 不就是王俊和碳云科技要做的事……
GPU/专门芯片加速的潜力。
在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
【在 j*********g 的大作中提到】
: 怎么分析那么多数据？bioinformatics跟不上。
: 只能人工智能。
: 不就是王俊和碳云科技要做的事……
j*g
16 楼
存储也是问题。刚有NGS的时候，连测序的图像文件都是保存的，现在默认都不保存了。
但是怎么从这么多大数据中提取信息，还是需要人工智能的。王俊和他的碳云智能就看
到了这一趋势。
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
但是怎么从这么多大数据中提取信息，还是需要人工智能的。王俊和他的碳云智能就看
到了这一趋势。
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
n*7
17 楼
主要还是分析流程还不统一
比如光做个trimming就一堆工具
parameter啥的也是很灵活
其实trim之后quality score就没啥用了
这就可以省好多空间
能用上reference genome信息就更省了
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
比如光做个trimming就一堆工具
parameter啥的也是很灵活
其实trim之后quality score就没啥用了
这就可以省好多空间
能用上reference genome信息就更省了
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
s*s
18 楼
谁说trim以后quality score就没用了？variant calling 全靠quality score
【在 n******7 的大作中提到】
: 主要还是分析流程还不统一
: 比如光做个trimming就一堆工具
: parameter啥的也是很灵活
: 其实trim之后quality score就没啥用了
: 这就可以省好多空间
: 能用上reference genome信息就更省了
【在 n******7 的大作中提到】
: 主要还是分析流程还不统一
: 比如光做个trimming就一堆工具
: parameter啥的也是很灵活
: 其实trim之后quality score就没啥用了
: 这就可以省好多空间
: 能用上reference genome信息就更省了
n*7
19 楼
这块做的比较少，主要跑pipeline
不过Q30和Q40有区别吗？
【在 s******s 的大作中提到】
: 谁说trim以后quality score就没用了？variant calling 全靠quality score
不过Q30和Q40有区别吗？
【在 s******s 的大作中提到】
: 谁说trim以后quality score就没用了？variant calling 全靠quality score
n*7
20 楼
这块做的比较少，主要跑pipeline
不过Q30和Q40有区别吗？
【在 s******s 的大作中提到】
: 谁说trim以后quality score就没用了？variant calling 全靠quality score
不过Q30和Q40有区别吗？
【在 s******s 的大作中提到】
: 谁说trim以后quality score就没用了？variant calling 全靠quality score
s*s
21 楼
区别大了，是error的概率差10倍了。比较好的caller这个error rate应该是算在概率
里面的。
【在 n******7 的大作中提到】
: 这块做的比较少，主要跑pipeline
: 不过Q30和Q40有区别吗？
里面的。
【在 n******7 的大作中提到】
: 这块做的比较少，主要跑pipeline
: 不过Q30和Q40有区别吗？
c*o
22 楼
连bam都要省掉？
variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
【在 s******s 的大作中提到】
: 这个东西的主要问题是储存，分析不难，现有的分析流程有很大的优化，或者
: GPU/专门芯片加速的潜力。
: 在我看来，如果测序成本降低到一定数量级，那么是否保存原始数据就值得讨论了。
: 要么有其它的高压缩格式，不必要capture所有的BAM信息；要么直接保存variant。
c*o
23 楼
pacbio 最喜欢阁下了
【在 n******7 的大作中提到】
: 这块做的比较少，主要跑pipeline
: 不过Q30和Q40有区别吗？
【在 n******7 的大作中提到】
: 这块做的比较少，主要跑pipeline
: 不过Q30和Q40有区别吗？
s*r
24 楼
pipeline不统一省不了，每个做bioinfo的人都觉得自己做出来的是个宝，其他人都是
瞎做，换个人接手都是raw data开始从头来过
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
瞎做，换个人接手都是raw data开始从头来过
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
c*o
25 楼
双手同意， 70%都是这种情况
不过也有算法更新或着换角度mining
【在 s******r 的大作中提到】
: pipeline不统一省不了，每个做bioinfo的人都觉得自己做出来的是个宝，其他人都是
: 瞎做，换个人接手都是raw data开始从头来过
不过也有算法更新或着换角度mining
【在 s******r 的大作中提到】
: pipeline不统一省不了，每个做bioinfo的人都觉得自己做出来的是个宝，其他人都是
: 瞎做，换个人接手都是raw data开始从头来过
n*7
26 楼
是差10倍
一个是1e-3,一个是1e-4
但是这对结果有多大影响？
比如目标是call出AF>=0.01的variant site
这个就是1e-2,跟1e－3的错误率都差了10倍了
况且Q30算比较保守的了，实际大部分base的质量要高很多
另外，quality score也不过是infer出来的，又不是ground truth
没必要太当回事
我自己也搞过计算quality score的模型
很多时候不过给人一些安慰罢了
即使对WGS，我觉得把quality score离散化，分成几个类
比如不靠谱，有点靠谱，靠谱，非常靠谱
就够了，即减少数据体积，也不会过度解读这个score
要不你给我个简单的例子
说说Q30和Q40怎么区别大了
我给你发包子？
【在 s******s 的大作中提到】
: 区别大了，是error的概率差10倍了。比较好的caller这个error rate应该是算在概率
: 里面的。
一个是1e-3,一个是1e-4
但是这对结果有多大影响？
比如目标是call出AF>=0.01的variant site
这个就是1e-2,跟1e－3的错误率都差了10倍了
况且Q30算比较保守的了，实际大部分base的质量要高很多
另外，quality score也不过是infer出来的，又不是ground truth
没必要太当回事
我自己也搞过计算quality score的模型
很多时候不过给人一些安慰罢了
即使对WGS，我觉得把quality score离散化，分成几个类
比如不靠谱，有点靠谱，靠谱，非常靠谱
就够了，即减少数据体积，也不会过度解读这个score
要不你给我个简单的例子
说说Q30和Q40怎么区别大了
我给你发包子？
【在 s******s 的大作中提到】
: 区别大了，是error的概率差10倍了。比较好的caller这个error rate应该是算在概率
: 里面的。
n*7
27 楼
有CIGAR字符串就能重建sequence
quality score另说
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
quality score另说
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
n*7
28 楼
你说反了
我很喜欢pacbio
之前用pacbio做de novo
结果PERFECT
我从来没有预期能做出那么好的结果
【在 c******o 的大作中提到】
: pacbio 最喜欢阁下了
我很喜欢pacbio
之前用pacbio做de novo
结果PERFECT
我从来没有预期能做出那么好的结果
【在 c******o 的大作中提到】
: pacbio 最喜欢阁下了
n*7
29 楼
我从来不这样觉得
我只要求自己在瞎做的时候，能尽量reasonable一些
整个过程中太多不靠谱的地方太多了
包括最上游的fastq file，这个也有不少变数的
还有各种annotation，太多瞎搞的
【在 s******r 的大作中提到】
: pipeline不统一省不了，每个做bioinfo的人都觉得自己做出来的是个宝，其他人都是
: 瞎做，换个人接手都是raw data开始从头来过
我只要求自己在瞎做的时候，能尽量reasonable一些
整个过程中太多不靠谱的地方太多了
包括最上游的fastq file，这个也有不少变数的
还有各种annotation，太多瞎搞的
【在 s******r 的大作中提到】
: pipeline不统一省不了，每个做bioinfo的人都觉得自己做出来的是个宝，其他人都是
: 瞎做，换个人接手都是raw data开始从头来过
n*7
30 楼
主要原因是省事
接手别人的东西比自己从头来麻烦多了
【在 c******o 的大作中提到】
: 双手同意， 70%都是这种情况
: 不过也有算法更新或着换角度mining
接手别人的东西比自己从头来麻烦多了
【在 c******o 的大作中提到】
: 双手同意， 70%都是这种情况
: 不过也有算法更新或着换角度mining
c*o
31 楼
问题是拿到ＣＩＧＡＲ时已经 ｍａｐed 过了，用的是那个ｐａｃｋａｇｅ那个ｓｅｔ
ｔｉｎｇ可能都不可知了，你除了Ｍ可以重建，其他的够呛吧
【在 n******7 的大作中提到】
: 有CIGAR字符串就能重建sequence
: quality score另说
ｔｉｎｇ可能都不可知了，你除了Ｍ可以重建，其他的够呛吧
【在 n******7 的大作中提到】
: 有CIGAR字符串就能重建sequence
: quality score另说
n*7
32 楼
哦，这个疏忽了，应该加上具体variant的信息
多年前写个一个这样的东西
这只是为了用reference sequence最小化原始序列的信息存储
只记录difference
不是为了reproduce分析的结果
【在 c******o 的大作中提到】
: 问题是拿到ＣＩＧＡＲ时已经 ｍａｐed 过了，用的是那个ｐａｃｋａｇｅ那个ｓｅｔ
: ｔｉｎｇ可能都不可知了，你除了Ｍ可以重建，其他的够呛吧
多年前写个一个这样的东西
这只是为了用reference sequence最小化原始序列的信息存储
只记录difference
不是为了reproduce分析的结果
【在 c******o 的大作中提到】
: 问题是拿到ＣＩＧＡＲ时已经 ｍａｐed 过了，用的是那个ｐａｃｋａｇｅ那个ｓｅｔ
: ｔｉｎｇ可能都不可知了，你除了Ｍ可以重建，其他的够呛吧
s*s
33 楼
你操心太多了，要把眼光放长远。SNP calling其实几个pipeline合一下,95%都能出来。
如果sequence降到$100以下，过三四年有pipeline更新(想想mutect 2013年的paper,
mutect2 2017年还是beta, 更不用说发表了), 把冻得library挖出来重新测一遍就行了,
那个时候说不定都降到$20了。至于library和biosample都用完了？随随便便就多测
100倍的样品，以前的数据没有这么valuable啦。
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
如果sequence降到$100以下，过三四年有pipeline更新(想想mutect 2013年的paper,
mutect2 2017年还是beta, 更不用说发表了), 把冻得library挖出来重新测一遍就行了,
那个时候说不定都降到$20了。至于library和biosample都用完了？随随便便就多测
100倍的样品，以前的数据没有这么valuable啦。
【在 c******o 的大作中提到】
: 连bam都要省掉？
: variant calling 选项那么多，光package就好几个，而且还要根据平台和coverage微
: 调，这样没法重复阿，过几年你人一走或者package一更新，后面的人就傻眼了
s*s
34 楼
你这个是无数年前的pipeline啦，靠AF来做cutoff。
你去看看mutect的paper，m&m底下的算法，就知道怎么用quality score,
这个都还是四年前的pipeline了
至于quality score，你可以用BQSR做adjust. 其实把AF 在hetero附近的
variant挑出来统计一下，基本上也能把这个调的准一些。正紧点的分析
中心，BQSR是必须的吧
【在 n******7 的大作中提到】
: 是差10倍
: 一个是1e-3,一个是1e-4
: 但是这对结果有多大影响？
: 比如目标是call出AF>=0.01的variant site
: 这个就是1e-2,跟1e－3的错误率都差了10倍了
: 况且Q30算比较保守的了，实际大部分base的质量要高很多
: 另外，quality score也不过是infer出来的，又不是ground truth
: 没必要太当回事
: 我自己也搞过计算quality score的模型
: 很多时候不过给人一些安慰罢了
你去看看mutect的paper，m&m底下的算法，就知道怎么用quality score,
这个都还是四年前的pipeline了
至于quality score，你可以用BQSR做adjust. 其实把AF 在hetero附近的
variant挑出来统计一下，基本上也能把这个调的准一些。正紧点的分析
中心，BQSR是必须的吧
【在 n******7 的大作中提到】
: 是差10倍
: 一个是1e-3,一个是1e-4
: 但是这对结果有多大影响？
: 比如目标是call出AF>=0.01的variant site
: 这个就是1e-2,跟1e－3的错误率都差了10倍了
: 况且Q30算比较保守的了，实际大部分base的质量要高很多
: 另外，quality score也不过是infer出来的，又不是ground truth
: 没必要太当回事
: 我自己也搞过计算quality score的模型
: 很多时候不过给人一些安慰罢了
s*s
35 楼
CIGAR其实就是最不容易压缩的部分，我看70%都是为了存CIGAR.
SRA或者CRAM要压缩的给力，最后都落到有损压缩CIGAR上
【在 n******7 的大作中提到】
: 有CIGAR字符串就能重建sequence
: quality score另说
SRA或者CRAM要压缩的给力，最后都落到有损压缩CIGAR上
【在 n******7 的大作中提到】
: 有CIGAR字符串就能重建sequence
: quality score另说
n*7
36 楼
我看了一下metect的paper，更加确定了我的想法
几点评论:
1. 我不是用AF来做cutoff call snv，而是个设定的目标
一般develop相关的方法，不管计算的还是实验的
都会设定这样一个有实际意义的specification
我最近帮人做一个方法，在决定测序通量的时候就这么算的
其实mutect paper里面也是这样，你看method section里面
Variant detection这个部分，那个f就是AF
2. 接第一点，你可以看到这个likelihood的计算是基于AF和error rate的
也就是说，脱离AF谈error rate是没有意义的
还是我之前的列子，如果AF是1%，而error rate是0.1%
也就是Q30
那么很大可能这就是个true SNP，因为差太远了
但是你想call 0.1%的SNV的话，Q30就不够用了
反过来，如果是AF 50%的 SNV，read depth足够的话，Q5就可以了
这个mutect的第二步就是基本的bayesian分析
我最早看到类似的用法应该还是在samtools里面
后来我照葫芦画瓢用到一个特别的project里面了
不过我是用来做QC
最终我还是根据具体的quality score来算的
但是只是因为有了这个数，算起来也直接
Q30还是40，如果跟你的设定目标（e.g. AF=0.01）差的很远的话
其实区别不大
3. 不过我并不是说mutect没啥东西
我自己那个QC的项目，也跟mutect一样
还考虑了一些non-random的效应，比如reads的direction
我最后的感受就是，方法说起来不复杂，但是要真在real data上work
要下很多看不见的功夫调试，非常花时间的
4. BQSR我就先不看了，起码我现在追到13年的工作了
感觉心里踏实一些了:)
一种新data出来，开始几年分析方法算是进步比较快的
后来的提高就是marginal的了，大部分文章和方法都是故弄玄虚
所以我也懒得去看
最终的提高还是数据本身的。
比如这几年流行的molecular barcode方法，才是本质上的提高
还有如果single cell sequencing成熟了，也极大简化了这个问题
一个例外是RNA quantification这块，这两年在处理速度上突破了
真tm快
【在 s******s 的大作中提到】
: 你这个是无数年前的pipeline啦，靠AF来做cutoff。
: 你去看看mutect的paper，m&m底下的算法，就知道怎么用quality score,
: 这个都还是四年前的pipeline了
: 至于quality score，你可以用BQSR做adjust. 其实把AF 在hetero附近的
: variant挑出来统计一下，基本上也能把这个调的准一些。正紧点的分析
: 中心，BQSR是必须的吧
几点评论:
1. 我不是用AF来做cutoff call snv，而是个设定的目标
一般develop相关的方法，不管计算的还是实验的
都会设定这样一个有实际意义的specification
我最近帮人做一个方法，在决定测序通量的时候就这么算的
其实mutect paper里面也是这样，你看method section里面
Variant detection这个部分，那个f就是AF
2. 接第一点，你可以看到这个likelihood的计算是基于AF和error rate的
也就是说，脱离AF谈error rate是没有意义的
还是我之前的列子，如果AF是1%，而error rate是0.1%
也就是Q30
那么很大可能这就是个true SNP，因为差太远了
但是你想call 0.1%的SNV的话，Q30就不够用了
反过来，如果是AF 50%的 SNV，read depth足够的话，Q5就可以了
这个mutect的第二步就是基本的bayesian分析
我最早看到类似的用法应该还是在samtools里面
后来我照葫芦画瓢用到一个特别的project里面了
不过我是用来做QC
最终我还是根据具体的quality score来算的
但是只是因为有了这个数，算起来也直接
Q30还是40，如果跟你的设定目标（e.g. AF=0.01）差的很远的话
其实区别不大
3. 不过我并不是说mutect没啥东西
我自己那个QC的项目，也跟mutect一样
还考虑了一些non-random的效应，比如reads的direction
我最后的感受就是，方法说起来不复杂，但是要真在real data上work
要下很多看不见的功夫调试，非常花时间的
4. BQSR我就先不看了，起码我现在追到13年的工作了
感觉心里踏实一些了:)
一种新data出来，开始几年分析方法算是进步比较快的
后来的提高就是marginal的了，大部分文章和方法都是故弄玄虚
所以我也懒得去看
最终的提高还是数据本身的。
比如这几年流行的molecular barcode方法，才是本质上的提高
还有如果single cell sequencing成熟了，也极大简化了这个问题
一个例外是RNA quantification这块，这两年在处理速度上突破了
真tm快
【在 s******s 的大作中提到】
: 你这个是无数年前的pipeline啦，靠AF来做cutoff。
: 你去看看mutect的paper，m&m底下的算法，就知道怎么用quality score,
: 这个都还是四年前的pipeline了
: 至于quality score，你可以用BQSR做adjust. 其实把AF 在hetero附近的
: variant挑出来统计一下，基本上也能把这个调的准一些。正紧点的分析
: 中心，BQSR是必须的吧
n*7
37 楼
有损压缩CIGAR？？
这个怎么损？
这个一损就没意义了
quality score还差不多
【在 s******s 的大作中提到】
: CIGAR其实就是最不容易压缩的部分，我看70%都是为了存CIGAR.
: SRA或者CRAM要压缩的给力，最后都落到有损压缩CIGAR上
这个怎么损？
这个一损就没意义了
quality score还差不多
【在 s******s 的大作中提到】
: CIGAR其实就是最不容易压缩的部分，我看70%都是为了存CIGAR.
: SRA或者CRAM要压缩的给力，最后都落到有损压缩CIGAR上
s*s
38 楼
hmmm
现在的caller用普通WGS/WXS还做不到AF 0.1%, 连1%都做不到。
你看了error rate，就知道搞个Q30其实就等于把Q30以下所有的evidence都扔掉了，所
以error rate才重要。到了mutect2里面，虽然文章还没发，但是用的haplotypecaller
engine, 很多variant貌似只要很少的haplotype support就能call出来，这样每个
reads以及quality score应该更重要了。
你说的reads direction, 其实很可能是bias. 建议去看Broad dToxoG, OxoQ的文章，
这种bias在call出来以后是应该filter掉的。
【在 n******7 的大作中提到】
: 我看了一下metect的paper，更加确定了我的想法
: 几点评论:
: 1. 我不是用AF来做cutoff call snv，而是个设定的目标
: 一般develop相关的方法，不管计算的还是实验的
: 都会设定这样一个有实际意义的specification
: 我最近帮人做一个方法，在决定测序通量的时候就这么算的
: 其实mutect paper里面也是这样，你看method section里面
: Variant detection这个部分，那个f就是AF
: 2. 接第一点，你可以看到这个likelihood的计算是基于AF和error rate的
: 也就是说，脱离AF谈error rate是没有意义的
现在的caller用普通WGS/WXS还做不到AF 0.1%, 连1%都做不到。
你看了error rate，就知道搞个Q30其实就等于把Q30以下所有的evidence都扔掉了，所
以error rate才重要。到了mutect2里面，虽然文章还没发，但是用的haplotypecaller
engine, 很多variant貌似只要很少的haplotype support就能call出来，这样每个
reads以及quality score应该更重要了。
你说的reads direction, 其实很可能是bias. 建议去看Broad dToxoG, OxoQ的文章，
这种bias在call出来以后是应该filter掉的。
【在 n******7 的大作中提到】
: 我看了一下metect的paper，更加确定了我的想法
: 几点评论:
: 1. 我不是用AF来做cutoff call snv，而是个设定的目标
: 一般develop相关的方法，不管计算的还是实验的
: 都会设定这样一个有实际意义的specification
: 我最近帮人做一个方法，在决定测序通量的时候就这么算的
: 其实mutect paper里面也是这样，你看method section里面
: Variant detection这个部分，那个f就是AF
: 2. 接第一点，你可以看到这个likelihood的计算是基于AF和error rate的
: 也就是说，脱离AF谈error rate是没有意义的
s*s
39 楼
说错了，是quality score
【在 n******7 的大作中提到】
: 有损压缩CIGAR？？
: 这个怎么损？
: 这个一损就没意义了
: quality score还差不多
【在 n******7 的大作中提到】
: 有损压缩CIGAR？？
: 这个怎么损？
: 这个一损就没意义了
: quality score还差不多
n*7
40 楼
最初提起quality score，不是说Q30一下就不要了
而是说quality score占很大地方，但是很多信息是没用的
要么trim之后就不用了
要么Q30 Q40之类区别不大
如果AF 1%都做不到，Q30以上真的就差不多了
AF 0.1%我是举个例子，我知道一般数据上做不到，也没必要
ctDNA这块结合软硬各种手段，可以做到0.02%左右,这是两年前的水平
reads direction的问题我知道的，我之前的quality score model就把这个考虑进去了
所以说quality score也是算出来的，跟真实的差别多大很难说
haplotypecaller
【在 s******s 的大作中提到】
: hmmm
: 现在的caller用普通WGS/WXS还做不到AF 0.1%, 连1%都做不到。
: 你看了error rate，就知道搞个Q30其实就等于把Q30以下所有的evidence都扔掉了，所
: 以error rate才重要。到了mutect2里面，虽然文章还没发，但是用的haplotypecaller
: engine, 很多variant貌似只要很少的haplotype support就能call出来，这样每个
: reads以及quality score应该更重要了。
: 你说的reads direction, 其实很可能是bias. 建议去看Broad dToxoG, OxoQ的文章，
: 这种bias在call出来以后是应该filter掉的。
而是说quality score占很大地方，但是很多信息是没用的
要么trim之后就不用了
要么Q30 Q40之类区别不大
如果AF 1%都做不到，Q30以上真的就差不多了
AF 0.1%我是举个例子，我知道一般数据上做不到，也没必要
ctDNA这块结合软硬各种手段，可以做到0.02%左右,这是两年前的水平
reads direction的问题我知道的，我之前的quality score model就把这个考虑进去了
所以说quality score也是算出来的，跟真实的差别多大很难说
haplotypecaller
【在 s******s 的大作中提到】
: hmmm
: 现在的caller用普通WGS/WXS还做不到AF 0.1%, 连1%都做不到。
: 你看了error rate，就知道搞个Q30其实就等于把Q30以下所有的evidence都扔掉了，所
: 以error rate才重要。到了mutect2里面，虽然文章还没发，但是用的haplotypecaller
: engine, 很多variant貌似只要很少的haplotype support就能call出来，这样每个
: reads以及quality score应该更重要了。
: 你说的reads direction, 其实很可能是bias. 建议去看Broad dToxoG, OxoQ的文章，
: 这种bias在call出来以后是应该filter掉的。
n*7
41 楼
哦 那就对了
有损压缩quality score的路是对的
因为这玩意损不损区别不大
刚查了下illumina的官方文档
它也建议离散化quality score
这样可以省好多空间
再用reference sequence信息省省
存储空间可以继续下降不少
不过坏处是高压缩比的数据处理起来远没有 fastq.gz方便
我前段时间研究过一下
还是决定用fastq.gz了
【在 s******s 的大作中提到】
: 说错了，是quality score
有损压缩quality score的路是对的
因为这玩意损不损区别不大
刚查了下illumina的官方文档
它也建议离散化quality score
这样可以省好多空间
再用reference sequence信息省省
存储空间可以继续下降不少
不过坏处是高压缩比的数据处理起来远没有 fastq.gz方便
我前段时间研究过一下
还是决定用fastq.gz了
【在 s******s 的大作中提到】
: 说错了，是quality score
c*o
42 楼
make sense
看到2010年以前的2x50的序列，就在想把时间放这上面不如重新用2x100 或者更高的测
一遍
来。
了,
【在 s******s 的大作中提到】
: 你操心太多了，要把眼光放长远。SNP calling其实几个pipeline合一下,95%都能出来。
: 如果sequence降到$100以下，过三四年有pipeline更新(想想mutect 2013年的paper,
: mutect2 2017年还是beta, 更不用说发表了), 把冻得library挖出来重新测一遍就行了,
: 那个时候说不定都降到$20了。至于library和biosample都用完了？随随便便就多测
: 100倍的样品，以前的数据没有这么valuable啦。
看到2010年以前的2x50的序列，就在想把时间放这上面不如重新用2x100 或者更高的测
一遍
来。
了,
【在 s******s 的大作中提到】
: 你操心太多了，要把眼光放长远。SNP calling其实几个pipeline合一下,95%都能出来。
: 如果sequence降到$100以下，过三四年有pipeline更新(想想mutect 2013年的paper,
: mutect2 2017年还是beta, 更不用说发表了), 把冻得library挖出来重新测一遍就行了,
: 那个时候说不定都降到$20了。至于library和biosample都用完了？随随便便就多测
: 100倍的样品，以前的数据没有这么valuable啦。
相关阅读
李开复,苹果副总裁到底是谁？ (转载)有人认识Duke大学神经外科Dr.Ashok Shetty ？问个基因表达选promoter的问题那个网站做gene ontology比较好啊？Ig和Ig-like superfamily有什么不同吗一个什么都不知道的基因该咋研究？老张的故事 --- 2011年获奖小小说有关大鼠尾静脉注射Paper helpCancer和Cholesterol的关系生物类第二批青年千人面试请教-病毒nucleoprotein与RNA结合问题Computational biology postdoc positions in San Antonio, Texas请推荐几个加工资的理由!毕业后直接回国进industry怎么样？版上有谁了解UCSF的Wendell Lim实验室本版不欢迎任何关于个人恩怨的讨论SDS PAGE下层胶没混匀会有什么后果？博士的巧克力店请教冰冻切片的问题