SeqKit－FASTA/Q序列处理神器

原文：http://www.oebiotech.com/Article/seqkitfast.html

处理FASTA和FASTQ的工具SeqKit

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

xUsage:

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deion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。

举例：

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deion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deion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 modelower 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 -ltest.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