首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--软件工程论文

转录组测序数据分析集成软件包开发及其在杨树上的应用

致谢第3-4页
摘要第4-5页
abstract第5-6页
第一章 前言第9-18页
    1.1 杨树概述第9页
    1.2 转录组概述第9-13页
        1.2.1 转录组的定义第9-10页
        1.2.2 转录组学研究的内容第10页
        1.2.3 转录组研究技术第10-12页
        1.2.4 转录组研究在杨树中的应用第12-13页
    1.3 转录组测序生物信息学分析第13-17页
        1.3.1 质量控制第14页
        1.3.2 比对到参考基因组第14-15页
        1.3.3 从头组装第15页
        1.3.4 转录本表达量计算第15-16页
        1.3.5 差异表达分析第16页
        1.3.6 基因功能的富集分析第16-17页
    1.4 本研究的目的及意义第17-18页
第二章 材料与方法第18-39页
    2.1 植物材料与干旱处理第18页
    2.2 样本RNA提取,cDNA文库构建与Illumina测序第18-19页
        2.2.1 样本RNA提取第18页
        2.2.2 cDNA文库构建和Illumina测序第18-19页
    2.3 原始数据质量控制第19页
    2.4 转录组二代测序数据有参分析第19-32页
        2.4.1 利用Tophat、Cufflinks和cummeRbund进行差异表达分析第19-28页
        2.4.2 利用HISAT2、Stringtie和ballgown进行差异表达分析第28-32页
    2.5 转录组二代测序数据无参分析第32-37页
        2.5.1 利用Trinity进行reads拼接第33-34页
        2.5.2 拼接质量评估第34-35页
        2.5.3 利用RSEM计算基因、转录本表达量第35-36页
        2.5.4 差异表达分析第36-37页
    2.6 差异表达基因功能注释第37-38页
    2.7 差异表达p值和q值的理解第38-39页
第三章 软件包的开发与使用第39-45页
    3.1 findDEG软件包开发第39-41页
    3.2 findDEG安装及使用说明第41-44页
    3.3 findDEG运行结果文件第44-45页
第四章 杨树转录组数据分析第45-61页
    4.1 原始数据质量控制结果第45页
    4.2 利用tophat+Cufflinks模块分析杨树数据结果第45-54页
        4.2.1 利用TopHat将reads比对到毛果杨参考基因组结果第45-46页
        4.2.2 利用cufflinks进行表达量计算结果第46-49页
        4.2.3 差异表达基因筛选结果第49-51页
        4.2.4 差异表达基因功能注释第51-54页
    4.3 利用trinity模块分析杨树数据结果第54-59页
        4.3.1 利用Trinity进行拼接结果第54页
        4.3.2 利用RSEM计算基因、转录本表达量结果第54-55页
        4.3.3 统计转录本ExN50值第55-56页
        4.3.4 差异表达基因筛选结果第56-57页
        4.3.5 差异表达基因功能注释第57-59页
    4.4 结果比较第59-61页
第五章 结果与讨论第61-65页
    5.1 研究结果第61-62页
    5.2 讨论第62-64页
        5.2.1 Cufflinks-2.1.1与Cufflinks-2.2.1比较第62-63页
        5.2.2 Cufflinks组装结果与Trinity拼接结果比较第63页
        5.2.3 Cufflinks与RSEM表达量评估结果比较第63页
        5.2.4 Cuffdiff与edgeR筛选差异表达基因结果比较第63页
        5.2.5 软件包的优点与改进第63-64页
    5.3 存在问题与展望第64-65页
攻读学位期间发表的学术论文第65-66页
参考文献第66-71页
附录1 简写字母说明表第71-72页
附录2 Perl程序代码第72-73页
附录3 findDEG使用手册第73-81页

论文共81页,点击 下载论文
上一篇:林木基因组大数据分析及应用
下一篇:基于机器视觉的砀山梨表面缺陷识别