[生信]利用seqkit对双端测序文件成对的进行down sampling

问题描述：在用seqkit的sample函数取指定数目或者比例的序列的时候，总是提示r1和r2的操作的序列不匹配。于是组合使用几个seqkit的工具实现提取。

安装可以使用conda：

conda install -c bioconda seqkit

两个即将进行downsampling 的原始文件均为100行

wc r*.gz
  100   125  8663 r1.test.fastq.gz
  100   125  8799 r2.test.fastq.gz
  200   250 17462 total

#对其中的一个文件进行down sampling 随机取5条序列id
seqkit sample -n 5 r1.test.fastq.gz     | seqkit seq --name --only-id > id.txt
# 这里的id就是从“@”开始,到遇到的第一个空格前的所有的内容

seqkit sample -n 5 r1.test.fastq.gz     | seqkit seq --name --only-id > id.txt
[INFO] sample by number
[INFO] loading all sequences into memory...
[INFO] 4 sequences outputted

# 如果要选取所有的名字
# seqkit sample -n 5 r1.test.fastq.gz     | seqkit seq --name > name.txt


# 查看id list，这里没有展开id具体信息，可以自行用cat查看提取是否正确
wc id.txt
  4   4 155 id.txt

# 根据list对r1/2进行对应的提取
cat r1.test.fastq.gz | seqkit grep -f id.txt > r1.sub.fq.gz
cat r2.test.fastq.gz | seqkit grep -f id.txt > r2.sub.fq.gz
#注意这里使用cat/或者zcat。我这里在提取r1.test.fastq.gz 100行子集的时候不小心将其转换成fq格式了，不是fastq.gz 所以如果你待提取的序列是gz格式的话，这里要换成zcat

wc r*.fq.gz
  16   20 1377 r1.sub.fq.gz
  16   20 1435 r2.sub.fq.gz
  32   40 2812 total

按比例提取可以自行查阅手册

参考：

FAQ - SeqKit - Ultrafast FASTA/Q kit