使用seqtk截取fastq数据

0. 写在前面

这是GitHub地址： https://github.com/lh3/seqtk

seqtk是针对fastq/fasta格式数据的处理工具，随机抽取fastq数据(sample)只是seqtk的一个功能。还有一个是根据输入的bed文件或者reads的名称列表(name list)文件，获取子序列(subseq)。

seqtk也包含了数据质控的一些功能，比如，去低质量reads(trimfq)、N序列(cutN)、质控(fqchk)，但并不能去adatper。还有一些其他功能，比如，数据合并(mergepe, mergefa)、fastq-fasta转换(seq)，高/低GC含量区识别(gc)等。

这里仅示例sample命令的使用，先是seqtk的安装：

1. seqtk安装

seqtk安装命令（参照这里）：

$ wget https://github.com/lh3/seqtk/archive/v1.2.tar.gz
$ tar zxvf v1.2.tar.gz
$ cd seqtk-1.2
$ make

GitHub地址中的安装命令:（git clone很久没下载下来，用了wget）

2. seqtk sample示例

使用seqtk软件中 sample 命令，可随机取指定条reads，例如：在 test_R1.fq中随机截取1000条reads，按照seed为100的随机方式。

# `sample` Example:
$ ${seqtk_dir}/seqtk-1.2/seqtk sample -s100 test_R1.fq 1000 > test_sub_R1.fq
$ ${seqtk_dir}/seqtk-1.2/seqtk sample -s100 test_R2.fq 1000 > test_sub_R2.fq

seqtk有多个命令，其中sample是用于取部分reads的命令，具体说明：

$ ${seqtk_dir}/seqtk-1.2/seqtk sample
=============================================================================
Usage:   seqtk sample [-2] [-s seed=11] <in.fa> <frac>|<number>

Options: -s INT       RNG seed [11]
         -2           2-pass mode: twice as slow but with much reduced memory
=============================================================================

上面的 Example 示例，各参数说明：

sample: 使用的seqtk对应的sample命令, 进行reads随机提取.
-s100: 设定随机数种子为100，类型为整数. [ 当为PE数据时，随机数种子要相同，确保fastq的ID对应. ]
test_R1.fq/test_R2.fq: 输入的R1_fastq / R2_fastq文件. [ 可输入.gz压缩文件, 但输出结果是非压缩格式. ]
1000: 设置随机取的reads数，这里设置要随机从输入fastq文件中取1000条reads.
test_sub_R1.fq/test_sub_R2.fq: 输出随机提取得到的fastq(非压缩格式)

---

其他参数…

$ ${seqtk_dir}/seqtk-1.2/seqtk
==============================================================
Usage:   seqtk <command> <arguments>
Version: 1.2-r94

Command: seq       common transformation of FASTA/Q
         comp      get the nucleotide composition of FASTA/Q
         sample    subsample sequences
         subseq    extract subsequences from FASTA/Q
         fqchk     fastq QC (base/quality summary)
         mergepe   interleave two PE FASTA/Q files
         trimfq    trim FASTQ using the Phred algorithm

         hety      regional heterozygosity
         gc        identify high- or low-GC regions
         mutfa     point mutate FASTA at specified positions
         mergefa   merge two FASTA/Q files
         famask    apply a X-coded FASTA to a source FASTA
         dropse    drop unpaired from interleaved PE FASTA/Q
         rename    rename sequence names
         randbase  choose a random base from hets
         cutN      cut sequence at long N
         listhet   extract the position of each het
==============================================================