SeqKit－FASTA/Q序列处理神器给大家介绍一款神器：处理FASTA和FASTQ的工具SeqKit，window\linux系统版本都有.对于没有编程基础的小伙伴们，照样可以轻松操作序列文件。 该软件功能强大，这里只罗列部分模块功能，更详细功能参见软件网站： http://bioinf.shenwei.me/seqkit/usage/。 一、序列操作 seqkit seq [flags] file 参数: -p, --complement 取互补序列 --dna2rna DNA to RNA -l, --lower-case 将序列以小写字母形式输出 -g, --remove-gaps 移除组装序列中的gap -r, --reverse 取反向序列 --rna2dna RNA to DNA -u, --upper-case 将序列以大写字母形式输出 -w, --line-width int 以每行指定长度输出序列 (0 for no wrap) (default 60) 举例： seqkit seq test.fa -w 0#将此文件fasta序列转换成一行输出 seqkit seq -w 100 test.fa#将此文件fasta序列转换成100个碱基一行输出 seqkit seq --dna2rna test.fa#将此文件fasta序列dna转换成rna seqkit seq -w 100 -p -r test.fa#将此文件fasta序列反向互补输出,每行100碱基 二、Fasta/q之间及与tab格式互换 1、FASTQ转换成FASTA: seqkit fq2fa 举例： seqkit fq2fa reads_1.fq -o reads_1.fa 2、FASTA/FASTQ转换成tab格式。seqkit fx2tab 举例： seqkit fx2tab test.fa>test.fa.tab.fa seqkit fx2tab test.fq>test.fq.tab.fq tab格式：ID sequence 三、序列信息统计 １、序列碱基含量及序列长度信息统计 seqkit fx2tab [flags] 参数： -B, --base-content value 要输出的碱基含量e.g. -B AT -B N -g, --gc print GC content -l, --length print sequence length -n, --name only print names -i, --only-id print ID instead of full head 举例： seqkit fx2tab -l -g -n -i -H test.fa 输出结果： #name seq qual length GC gene1 30 40.00 2、序列长度分布统计 Usage: seqkit stat [flags] 举例： seqkit stat test.fa 输出结果 file format type num_seqs sum_len min_len avg_len max_len test.fa FASTA DNA 1 30 30 30 30 四、根据ID或特定的motif筛选提取序列 seqkit grep [flags] 参数： -n, --by-name 匹配整个序列的名字，包含description部分，而不是序列id。 -s, --by-seq 匹配序列 -d, --degenerate pattern/motif 包含简并碱基 -i, --ignore-case 忽略大小写 -v, --invert-match 输出不匹配此模式的内容 -p, 匹配模式，支持连续写多个模式，匹配任一模式即输出。如-p ^ATG -p TAA$。注意该功能仅能正向匹配，不能实现对互补链匹配。 -f, --pattern-file string 支持匹配模式写到一个文件中，如要提取的序列ID。 -R, --region string 匹配位置选择。e.g 1:12 for first 12 bases, -12:-1 for last 12 bases -r, --use-regexp 使用正则表达式，必须加入此参数,如^匹配首端。同-p联合使用。 示例： seqkit grep -s -r -i -p ^atg cds.fa＃选取有起始密码子的序列 seqkit grep -f list test.fa > new.fa＃根据ID提取序列 seqkit grep -s -d -i -p TTSAA＃简并碱基使用。S 代表C or G. seqkit grep -s -R 1:30 -i -r -p GCTGG＃＃匹配限定到某区域 五、motif定位 对grep的拓展，可以正反链同时匹配，输出匹配的位置。 seqkit locate [flags] 参数 -d, --degenerate pattern/motif contains degenerate base -i, --ignore-case ignore case -P, --only-positive-strand only search at positive strand -p, --pattern value search pattern/motif -f, --pattern-file string pattern/motif file (FASTA format) 举例 seqkit locate -i -d -p AUGGACUN test.fa 输出结果 seqID patternName pattern strand start end matched cel-mir-58a AUGGACUN AUGGACUN + 81 88 AUGGACUG ath-MIR163 AUGGACUN AUGGACUN - 122 129 AUGGACUC 六、多个序列文件比较寻找相同的序列或者ID相同的序列 seqkit common [flags] 参数: -n, --by-name 匹配整个序列的名字，包含description部分，而不是序列id -s, --by-seq match by sequence -i, --ignore-case ignore case -m, --md5 use MD5 reduce memory usage 举例: １、By ID (default,>后面，空格之前的名字)输出ID名字相同的。 seqkit common test1.fa test2.fa -o common.fasta ２、By full name（整个序列的名字，包含description部分）。输出序列名字相同的。 seqkit common test1.fa test2.fa -n -o common.fasta ３、输出要比较的文件中序列相同的序列 seqkit common test1.fa test2.fa -s -i -o common.fasta ４、输出要比较的文件中序列相同的序列 (for large sequences) seqkit common test1.fa test2.fa -s -i -o common.fasta --md5 七、提取部分序列 如随机抽取10000条FASTQ序列做NT污染评估。同时他也可以对FASTA序列提取 seqkit sample [flags] 参数: -n, --number int sample by number (result may not exactly match) -p, --proportion float sample by proportion -s, --rand-seed int rand seed for shuffle (default 11) -2, --two-pass 2-pass mode lower memory 举例：随机抽取序列 seqkit sample -n 10000 -s 11 test1_1.fq -o sample.fq seqkit sample -p 0.1 -s 11 test1_1.fq -o sample.fq 八、排序输出命令 seqkit sort [flags] 参数： -l, --by-length 按照序列长度排序 -n, --by-name by full name -s, --by-seq 按照序列排序 -i, --ignore-case 按序列排序时忽略大小写 -r, --reverse 反向排序 -2, --two-pass 对于FASTA序列排序可以减少内存 举例： seqkit sort -l test.fa 九、文件切割 seqkit split [flags] 参数： -i, --by-id split squences according to sequence ID -p, --by-part int 将一个文件分割成N 份 -s, --by-size int 将一个文件按照N 条序列一个文件进行分割 -O, --out-dir string output directory (default value is infile.split) -2, --two-pass two-pass mode to lower memory usage(only FAST) 举例： seqkit split hairpin.fa.gz -p 4 下一篇生物信息学相关网站大全
|