systemPipeR测试盒框
注意:可以找到本教程的最新版本在这里.
注意:如果你使用systemPipeR
在发表的研究中,请引用:Backman, T.W.H and Girke, T.(2016)。systemPipeR
: NGS工作流和报表生成环境。BMC生物信息学, 17: 388。10.1186 / s12859 - 016 - 1241 - 0.
跑步方式:预定的跑步方式systemPipeR
工作流程通过*。限制型心肌病
这些文件可以在交互模式下逐行执行,也可以通过R或命令行中的单个命令执行。这样,通过使用R提供的功能强大的报告实用工具,可以以完全自动化的方式以PDF或HTML格式生成全面和可重复的分析报告。
设置自定义项目报告的模板如下所示*。限制型心肌病
文件由帮助包systemPipeRdata
的小插图子目录systemPipeR
.这些报表模板对应的HTML可在这里找到:systemPipeRNAseq
,systemPipeRIBOseq
,systemPipeChIPseq
而且systemPipeVARseq
.与…一起工作*。限制型心肌病
高效归档,基本知识knitr
而且乳胶
或R降价v2
是必需的。
在上一步中加载的样例数据的工作环境包含以下预配置的目录结构。目录名称表示在绿色.用户可以根据需要更改此结构,但需要相应地调整工作流中的代码。
CWL参数
而且input.yml
文件需要在同一子目录下。每个工作流模板中包含以下参数文件:
targets.txt
:用户提供的首字母;下游targets_ * . txt
自动生成文件* .param / cwl
:定义输入/输出文件操作的参数,如。:hisat2-se / hisat2-mapping-se.cwl
hisat2-se / hisat2-mapping-se.yml
* _run.sh
:可选的bash脚本.batchtools.conf.R
:定义调度程序的类型batchtools
指向集群的模板文件,位于用户的主目录下* .tmpl
:系统使用的调度器参数,如。扭矩,SGE, Slurm等。此工作流演示如何使用各种实用程序构建和运行自动化的端到端分析工作流RNA-Seq
数据。
完整的工作流程可以在这里找到:超文本标记语言,.Rmd,.R.
加载RNA-Seq
将工作流示例放到当前工作目录中。
库(systemPipeRdata) genWorkenvir(工作流= "rnaseq") setwd("rnaseq")
此模板提供了一些常用步骤RNAseq
工作流。上的操作可以添加、删除、修改工作流步骤萨尔
对象。
sal <- SPRproject() sal <- importtwf (sal, file_path = "systemPipeRNAseq. "Rmd", verbose = FALSE)
工作流程包括以下步骤:
HISAT2
(或任何其他RNA-Seq对准器)sal <- runWF(sal)
plotWF (sal)
sal <- renderReport(sal) sal <- renderLogs(sal)
此工作流演示如何使用各种实用程序构建和运行自动化的端到端分析工作流ChIP-Seq
数据。
完整的工作流程可以在这里找到:超文本标记语言,.Rmd,.R.
加载ChIP-Seq
将工作流示例放到当前工作目录中。
genWorkenvir(工作流= "chipseq") setwd("chipseq")
工作流程包括以下步骤:
Bowtie2
或rsubread
MACS2
此模板提供了一些常用步骤ChIPseq
工作流。上的操作可以添加、删除、修改工作流步骤萨尔
对象。
sal <- SPRproject() sal <- importWF(sal, file_path = " systempipechipq . "Rmd", verbose = FALSE)
sal <- runWF(sal)
plotWF (sal)
sal <- renderReport(sal) sal <- renderLogs(sal)
此工作流演示如何使用各种实用程序构建和运行自动化的端到端分析工作流VAR-Seq
数据。
完整的工作流程可以在这里找到:超文本标记语言,.Rmd,.R.
加载VAR-Seq
将工作流示例放到当前工作目录中。
genWorkenvir(workflow = "varseq") setwd("varseq")
工作流程包括以下步骤:
gsnap
,bwa
VariantTools
,GATK
,BCFtools
VariantTools
而且VariantAnnotation
VariantAnnotation
此模板提供了一些常用步骤VARseq
工作流。上的操作可以添加、删除、修改工作流步骤萨尔
对象。
sal <- SPRproject() sal <- importtwf (sal, file_path = "systemPipeVARseq. "Rmd", verbose = FALSE)
sal <- runWF(sal)
plotWF (sal)
sal <- renderReport(sal) sal <- renderLogs(sal)
此工作流演示如何使用各种实用程序构建和运行自动化的端到端分析工作流RIBO-Seq
数据。
完整的工作流程可以在这里找到:超文本标记语言,.Rmd,.R.
加载RIBO-Seq
将工作流示例放到当前工作目录中。
genWorkenvir(workflow = "riboseq") setwd("riboseq")
工作流程包括以下步骤:
HISAT2
(或任何其他RNA-Seq对准器)此模板提供了一些常用步骤RIBOseq
工作流。上的操作可以添加、删除、修改工作流步骤萨尔
对象。
sal <- SPRproject() sal <- importtwf (sal, file_path = "systemPipeRIBOseq. "Rmd", verbose = FALSE)
sal <- runWF(sal)
plotWF (sal)
sal <- renderReport(sal) sal <- renderLogs(sal)
sessionInfo ()
## R版本4.2.1(2022-06-23)##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 20.04.5 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.16-bioc/R/lib/libRblas。/home/biocbuild/bbs-3.16-bioc/R/lib/libRlapack。所以## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= c# # [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 ## [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# # [9] LC_ADDRESS=C lc_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基本包:## [1]stats4 stats graphics grDevices utils datasets methods ##[8]基础## ##其他附加包:# # # # [1] magrittr_2.0.3 systemPipeR_2.4.0 [3] ShortRead_1.56.0 GenomicAlignments_1.34.0 # # [5] SummarizedExperiment_1.28.0 Biobase_2.58.0 # # [7] MatrixGenerics_1.10.0 matrixStats_0.62.0 # # [9] BiocParallel_1.32.0 Rsamtools_2.14.0 # # [11] Biostrings_2.66.0 XVector_0.38.0 # # [13] GenomicRanges_1.50.0 GenomeInfoDb_1.34.0 # # [15] IRanges_2.32.0 S4Vectors_0.36.0 # # [17] BiocGenerics_0.44.0 BiocStyle_2.26.0 # # # #通过加载一个名称空间(而不是附加):## [1] bitops_1.0-7 webshot_0.5.4 RColorBrewer_1.1-3 ## [4] httr_1.4.4 tools_4.2.1 bslib_0.4.0 ## [7] utf8_1.2.2 R6_2.5.1 DT_0.26 ## [10] DBI_1.1.3 colorspace_2.0-3 withr_2.5.0 ## [13] tidyselect_1.2.0 compiler_4.2.1 cli_3.4.1 ## [13] rvest_1.0.3 formatR_1.12 xml2_1.3.3 ## [19] DelayedArray_0.24.0 labeling_0.4.2 bookdown_0.29 ## [22] sass_0.4.2 scales_1.2.1 systemPipeRdata_2.1.2 ## [25] systemfonts_1.0.4 string_1 .4.1 digest_0.6.30 ## [28] rmarkdown_1 .17 svglite_2.1.0 jpeg_0.1-9 ## [31][37] rstudioapi_0.14 jquerylib_0.1.4 generics_0.1.3 ## [40] farver_2.1.1 hwriter_1.3.2.1 jsonlite_1.8.3 ## [43] crosstalk_1.2.0 dplyr_1.0.10 RCurl_1.98-1.9 ## [46] kableExtra_1.3.4 GenomeInfoDbData_1.2.9 interp_1.1-3 ## [49] Matrix_1.5-1 Rcpp_1.0.9 munsell_0.5.0 ## [52] fansi_1.0.3 lifecycle_1.0.3 stringi_1.7.8 ## [55] yaml_2.3.6 zlibbioc_1.44.0 grid_4.2.1 ## [58] parallel_4.2.1 crayon_1.5.2deldir_1.0-6 ## [61] lattice_0.20-45 magick_2.7.3 knitr_1.40 ## [64] pillar_1.8.1 codetools_0.2-18 glue_1.6.2 ## [67] evaluate_0.17 latticeExtra_0.6-30 remotes_2.4.2 ## [70] BiocManager_1.30.19 png_0.1-7 vctrs_0.5.0 ## [73] gtable_0.3.1 assertthat_0.2.1 cachem_1.0.6 ## [76] ggplot2_3.3.6 xfun_0.34 viridisLite_0.4.1 ## [79] tibble_3.1.8
本项目由美国国家科学基金会资助abi - 1661152.