导读
本文将介绍 SeqKit
:用于 FASTA/Q
文件操作的跨平台和超快工具包,后续提供了一些长用的示例。
1. 安装
conda install -c bioconda seqkit
brew install seqkit # 用于苹果电脑
2. 用法
2.1. 序列操作
seqkit seq [flags] file
参数 |
作用 |
-p |
取互补序列 |
--dna2rna |
DNA to RNA |
-l |
序列以小写字母输出 |
-g |
移除组装序列中的gap |
-r |
取反向序列 |
--rna2dna |
RNA to DNA |
-u |
序列以大写字母输出 |
-w |
每行指定长度数据序列(default=60) |
# 将序列转换为一行输出
seqkit seq ex.fasta -w 0 > test.fasta
# 每行输出指定碱基n
seqkit seq -w n ex.fasta
# DNA序列转换为RNA序列
seqkit seq --dna2rna ex.fasta
# 取反向互补,切每行100碱基
seqkit seq -w 100 -p -r ex.fasta > test.fasta
2.2. 格式转换
# fastq 转换为 fasta
seqkit fq2fa ex1.fq -o ex2.fa
# FASTA/FASTQ 转换成 tab 格式
seqkit fx2tab ex.fa > test.fa.tab.fa
seqkit fx2tab ex.fq > test.fq.tab.fq
# 序列碱基含量及序列长度信息统计
seqkit fx2tab [flags]
参数 |
作用 |
-B |
输出碱基的含量 Ex: -B AT -B N |
-g |
输出 GC 含量 |
-l |
输出序列长度 |
-n |
仅输出名字 |
-i |
输出ID |
-H |
输出 header 行 |
# 输出序列长度,GC含量,名字,ID
seqkit fx2tab -l -g -n -i -H ex.fasta
2.3. 序列信息统计
# 序列长度分布统计
seqkit stat [flags]
参数 |
作用 |
-a |
输出所有统计数据,包括 seq 长度的四分位数、sum_gap、N50 |
# 统计信息
seqkit stats *.f{a,q}.gz
# 结果如下图
![示例](https://img2022.cnblogs.com/blog/2549345/202211/2549345-20221112220425742-761627174.png)
2.4. 根据ID提取序列
seqkit grep
参数 |
作用 |
-n |
匹配整个序列的名字 |
-s |
匹配序列 |
-d |
pattern/motif 包含简并碱基 |
-i |
忽略大小写 |
-v |
反向匹配 |
-p |
匹配模式,支持连续写多个模式,匹配任一模式即输出 |
-R |
匹配位置选择 |
-r |
使用正则表达式 |
# 选取有起始密码子的序列
seqkit grep -s -r -i -p ^atg ex.fa
# 根据ID提取序列
seqkit grep -f list ex.fa > new.fa
# 简并碱基使用。S 代表C or G.
seqkit grep -s -d -i -p TTSAA
# 匹配限定到某区域
seqkit grep -s -R 1:30 -i -r -p GCTGG#
2.5. motif定位
seqkit locate [flags]
参数 |
作用 |
-d |
pattern/motif contains degenerate base |
-i |
ignore case |
-P |
only search at positive strand |
-p |
search pattern/motif |
-f |
pattern/motif file (FASTA format) |
seqkit locate -i -d -p AUGGACUN ex.fa
2.6. 多个文件寻找相同的序列
seqkit common [flags]
参数 |
作用 |
-n |
匹配整个序列的名字,包含description部分,而不是序列id |
-s |
match by sequence |
-i |
忽略大小写 |
-m |
use MD5 reduce memory usage |
# 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
# 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
# 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
# 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
2.7. 文件切割
seqkit split [flags]
参数 |
作用 |
-i |
split squences according to sequence ID |
-p |
将一个文件分割成N 份 |
-s |
将一个文件按照N 条序列一个文件进行分割 |
-O |
输出目录 |
-2 |
two-pass mode to lower memory usage(only FAST) |
# 将一个文件切割为 4 份
seqkit split ex.fa -p 4
本文由mdnice多平台发布