虽然旧文 但是非常有料~~~
在这之前先看下面的教程
总结 从零到壹：10元转录组分析小结~干货~ 然后，重点看批量处理数据的技巧~从零到壹：10元转录组分析 从零到壹：10元转录组分析~硬盘不够用咋办 从零到壹:10元~Mapping神器STAR的安装及用 从零到壹:从SRA下载到分析~纯干货 10元转录组分析：这次真的是干货了~灰常干
得到ReadsPerGene数据后
得到每个基因的Counts数之后，你需要将这些不同文件中的提取出来，以制备DEseq2所需要的原始文件，组数少的情况下很好吧，看好第几列、第几行，用R语言按照下面的命令就可以x<-Counts[-(1:4),2] #去掉的1到4行,选取第2列然后用cbind把所有x并在一起就OK了。
但是数量巨大怎么办
比如以下这样的300 样本
"少废话，来干货~"将R语言工作环境设置为这些文件所在文件夹注意这些文件夹中不能有其他文件如果你的样本是链特异性（Reverse）测序“啥是链特异性，需要解释的留言”用下面这组命令library(stringr)library(dplyr)fall <- dir()data.out<-df.use[1:4,]for (fnow in fall) {str <- str_sub(fnow, start = 4, end = 10)num <- as.numeric(str)df.read <- read.table(fnow)df.use <- data.frame(v1 = df.readV1,v4=df.readV4)V1,v4=df.rea)str_c<-str_c('SRR',str)colnames(df.use)<-c('V1',str_c)data.out <- full_join(data.out, df.use,by="V1")}data.out1<-data.out[-(1:4),-2] #这个是对data.out修整write.csv(data.out1, file = 'F:/out.csv')data.out1 就是DEseq2包中需要用的文件
