生物信息流程搭建方法

先来看一则招聘信息：

关于生物信息流程，不同的分类标准可能得到不一样的分类结果，比如：

A review of bioinformatic pipeline frameworks 这篇综述中，按照隐式公约框架、明确框架、配置框架和基于类的框架等对现代的生物信息流程框架进行分类。

生信分析流程构建的几大流派 按照脚本语言流、Common Workflow language 语言流、Makefile流、配置文件流、Jupyter notebook和R markdown流等分为不同流派。

依我看，生物信息流程无非分为旧方法和新方法两类（废话~~~），分别了解一下。

传统的方法，也是目前最常用的流程搭建方法，尤其是在工业界。

缺点：

最新流行的流程工具，但实际上在工业界并没有普及。

CWL（Common Workflow Language）普通工作流语言和WDL（Workflow Description Language）工作流描述语言。定义每一个计算过程（脚本）的输入和输出，然后通过连接这些输入和输出，构成数据分析流程。

可以在多个平台执行，比如本地服务器、SGE 集群，云计算平台等，可以做到一次编写多处执行。Linux版本最有名的如snakemake, nextflow，bpipe等。图形界面版的如Galaxy，一些商业公司的云平台（拖拉图标即可）。

Cromwell 是 Broad Institute 开发的工作流管理引擎，支持 WDL 和 CWL 两种工作流描述语言。

CWL中snakemake的一个示例语法：

可参考博文：

https://www.jianshu.com/p/8e57fd2b81b2

WDL语法结构：

示例：

用法可参考博文： https://wenlongshen.github.io/2018/09/15/Pipelining-Solution-2/

docker不是一个流程方法，只是个封装的容器工具而已，所以这个分类比较牵强，只是上面两种的延伸。我们把自己开发的流程做成Docker镜像，以便使用和分享。

以ChIP-seq等分析时常用的peak calling工具MACS2为例。

具体可参考博文：

https://wenlongshen.github.io/2018/09/08/Pipelining-Solution-1/

生物信息学中数学占了很大的比重。统计学，包括多元统计学，是生物信息学的数学基础之一；概率论与随机过程理论，如隐马尔科夫链模型（HMM），在生物信息学中有重要应用；其他如用于序列比对的运筹学；蛋白质空间结构预测和分子对接研究中采用的最优化理论；研究DNA超螺旋结构的拓扑学；研究遗传密码和DNA序列的对称性方面的群论等等.总之，各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的，以下以统计学和度量空间为例来说明. Simond在人类的认知一书中指出，人在解决问题时，一般并不去寻找最优的方法，而只要求找到一个满意的方法.因为即使是解决最简单的问题，要想得到次数最少，效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大，后者不依赖于问题的空间，不需要进行全部搜索，而只要能达到解决的程度就可以了.正如前所述，面对大规模的序列和蛋白质结构数据集，要获得全局结果，往往是即使算法复杂度为线性时也不能够得到好的结果，因此，要通过变换解空间或不依赖于问题的解空间获得满意解，生物信息学仍需要人工智能和认知科学对人脑的进一步认识，并从中得到更好的启发式方法.

---