噬菌体（phage）是侵袭细菌的病毒，也是赋予宿主菌生物学性状的遗传物质。噬菌体必须在活菌内寄生，有严格的宿主特异性，其取决于噬菌体吸附器官和受体菌表面受体的分子结构和互补性。噬菌体测序过程中会有宿主菌污染，因此组装前需要去除宿主菌序列。

Snakemake 是基于 Python 的一款工具，所以它也继承了 Python 语言简单易读、逻辑清晰、便于维护的特点，同时它还支持 Python 语法，非常适合新手用户。例如遵循python中缩进表示层级；以及索引从0开始，{input[0]}表示input里的第1个元素；列表用中括号类似[‘A’,’B’,’C’]等。snakemake 的基本组成单位叫“规则”，即 rule；每个 rule 里面又有多个元素（input、output、shell等）。它的执行逻辑就是将各个 rule 利用 input/output 连接起来，形成一个完整的工作流。

一.数据的获取

GEO数据库全称Gene Expression Omnibus database，是由美国国立生物技术信息中心NCBI创建并维护的基因表达数据库。它创建于2000年，收录了世界各国研究机构提交的高通量基因表达数据，也就是说只要是目前已经发表的论文，论文中涉及到的基因表达检测的数据都可以通过这个数据库中找到。包含了芯片和二代测序的数据。刚接触GEO肯定会发现GPL，GSM，GSE，GDS等甚至还有SRA这些标志。

一.探索样本间关系

一.DESeq2筛选差异表达基因

a.使用DESeq2的两点要求：

1. DEseq2要求输入数据是由整数组成的矩阵。
2. DESeq2要求矩阵是没有标准化的。

b.DESeq2进行差异表达分析

DESeq2包分析差异表达基因简单来说只有三步：构建dds矩阵，标准化，以及进行差异分析。

1.读取各个样本的矩阵数据合并

一.比对（hisat2）

1.构建索引

a.使用hisat2-build 命令自行构建（耗时长，不推荐）

1

hisat2-build -p 4 hg19.fa genome

hg19.fa为ucsc下载的基因组解压合并后的文件

-p 线程数

genome 生成的index前缀名

ucsc下载基因组及GTF注释文件是较为简单且常用的，推荐使用ucsc下载。

一.参考基因组下载

1.有三大网站可以提供基因组下载，它们分别是：

1).NCBI （https://www.ncbi.nlm.nih.gov/grc）

2).UCSC (http://hgdownload.soe.ucsc.edu/downloads.html)

3).Ensemble （http://asia.ensembl.org/index.html?redirect=no）

三代测序是指单分子测序技术（Single Molecule Real- Time, SMRT），在测序过程中不需要涉及PCR扩增，不仅实现了每一条DNA分子的单独测序，并且避免了潜在的PCR扩增错误和偏好性。
目前，三代测序技术原理分为单分子荧光测序和纳米孔测序两大阵营，其代表公司分别为Pacific Bioscience和Oxford Nanopore Technologies。现在市场接受度和使用度最高的是Pacific Bioscience三代测序仪，其SMRT技术建立在两项革命性的发明基础之上，从而克服了测序领域的重大挑战。