「有趣」基因组上除了ATCGN还能有什么字符

今天运行一个程序的时候，出现了一个让我惊讶的报错，

报错

照理说，基因组上的序列应该只有ATCG，以及用来填充gap的N才对，为啥会出现Y呢？于是我用grep又去搜索了下，出现了更多让我看不懂的字符。

离奇现象

为了一探究竟，我展开了一番搜索。由于这个现象不知道怎么描述，于是就随便试试，当然都没有成功。突然脑子闪过一个想法，这不会碱基命名中的用来表示哪些不好判断的序列呀，因为我想到在对基因型分型的时候，如果只能确定这个基因型不是AA，但是有可能是AB,BB，那么就会用另一个字母进行表示。

于是我想到了IUPAC命名法，最后我找到了下表

IUPAC nucleotide code	Base
A	Adenine
C	Cytosine
G	Guanine
T (or U)	Thymine (or Uracil)
R	A or G
Y	C or T
S	G or C
W	A or T
K	G or T
M	A or C
B	C or G or T
D	A or G or T
H	A or C or T
V	A or C or G
N	any base
. or -	gap

解决了心中的一个疑问。那么下一个问题就是如何处理这些非ATCGN的字符呢？我当然使用最简单粗暴的方法，就是把RYSWKMBDHV全部替换成N

tr RYSWKMBDHVryswkmbdhv N < /data/reference/genome/TAIR10/Athaliana.fa  | sed -e 's/>CNN/>Chr/' -e 's/>ChrN/>ChrM/' -e 's/>ChrCN/>ChrCh/'  > r
ef/Athaliana.fa
# 由于把Chr也替换成CNN, 因此要替换回来