python向服务器上传fq文件,Python：将fastq文件转为fasta文件

fastq格式如下：

@HWI-ST1276:71:C1162ACXX:1:1101:1208:2458 1:N:0:CGATGT

NAAGAACACGTTCGGTCACCTCAGCACACTTGTGAATGTCATGGGATCCAT

'+'

@#55???BBBBB?BA@DEEFFCFFHHFFCFFHHHHHHHFAE0ECFFD/AEH

第一行是序列标识(read ID)以及相关的描述信息，以“@” 开头；

第二行即为碱基序列，长度由测序策略决定；如SE50

第三行以“+”开头，后面是序列标示符、描述信息，或者什么也不加；

第四行是测序质量值(phred)，与第二行一一对应，phred值以ASCII码标记，对应的 ASCII 值减去33，即为第二行对应碱基的测序质量值。

Illumina测序标识详细信息如下：

HWI-ST1276

Instrument – unique identifier of the sequencer

测序仪识别号

71

run number – Run number on instrument

机器运行编号

C1162ACXX

FlowCell ID – ID of flowcell

flowcell编号

1

LaneNumber – positive integer

Lane编号；1个flowcell有8条lane

1101

TileNumber – positive integer

Tile编号；1条lane有两列，每列有32个tile

1208

X – x coordinate of the spot. Integer which can be negative

点的x坐标

2458

Y – y coordinate of the spot. Integer which can be negative

点的y坐标

1

ReadNumber - 1 for single reads; 1 or 2 for paired ends

单端或双端

N

whether it is filtered - NB：Y if the read is filtered out, not in the delivered fastq file, N otherwise

是否过滤，Y表示被过滤，否则为N

0

control number - 0 when none of the control bits are on, otherwise it is an even number

0表示十进制？否则是一个偶数

CGATGT

Illumina index sequences

一个flowcell中不同样品,需要index区分

一个样品的双末端测序结果中，同一条insert sequence 的两条reads的ID只有ReadNumber是不一样的，要么为1，要么为2；所有reads只有X – x coordinate of the spot是不断变化的。

fasta格式如下：

>XM_011525358.1 PREDICTED: Homo sapiens forkhead box N1 (FOXN1), transcript variant X2, mRNA

AGCTTCTTAGTCACCTTTCTCTTCTCCCCGTTTTGGCGCAGCCCCTCCGGGCAAGGGGAAGCTGATATCATAATTATTGGCTCACCTGGCAGCTGCCTCCCCTCACCTGATGTCAGCACAGACACAGGACGGCCGAGCTG

第一行是一个大于号

开头，后面紧接注释信息，比如序列的名字，编号等。

第二行开始就是纯序列部分。

代码如下：

import time

start = time.time()

import glob

import gzip

for i in glob.glob('*.fastq.gz'):

with gzip.open(i,'rt') as fp:

output_fasta = open("%s.fa"%i[:-9],'w')

i = 0

for line in fp:

i += 1

if i % 4 == 1:

line_new = line[1:]

output_fasta.write('>'+line_new)

elif i % 4 == 2:

output_fasta.write(line)

output_fasta.close()

end = time.time()

print("used %s s" % str(end - start))