推荐两个地方:
地方一都是小脚本,但实用,大伙也可以自己练习写。
地方二成熟软件SeqKit,也很实用。
一、小脚本
大家可以在这里下载以下脚本:
https://github.com/jorvis/biocode/tree/master/fasta
各脚本作用信息如下:
|-- append_to_fasta_header.py
每个序列ID添加后缀
|-- check_for_embedded_fasta_headers.py
检查此种错误类型fasta序列
>gi1006569 DnaA [Vibrio harveyi]
MSSSLWLQCLQQLQEELPATEFSMWVRPLQAEVLHAC>gi409247 DNA repair protein
MVSLTFKNFKKEKVPLDLEPSNTILETKTKLAQSISCEESQIKLIYSGKVLQDSKTVSECGLKDGDQVVF
|-- compare_two_fastas.pl
比较两个文件相同序列与不同序列数目
|-- convert_fasta_contigs_to_gff3.py
将contig序列转换为GFF格式
|-- convert_fastq_to_fasta.py
将FASTQ转换为FASTA
|-- create_fasta_pseudomolecules.pl
从遗传图或者Hi-C确定的map信息文件中获得假染色体序列(将contig连成染色体序列)
|-- extract_fasta_regions.py
提取特定区域的序列
|-- fasta_base_content.py
碱基含量统计
|-- fasta_size_distribution.pl
GC含量和长度分布统计
|-- fasta_size_distribution_plot.py
序列长度分布作图
|-- fasta_size_report.pl
序列长度信息统计
|-- filter_fasta_by_header_regex.py
使用正则表达式获取FASTA序列
|-- filter_fasta_by_ids.pl
根据ID提取序列
|-- filter_fasta_by_size.pl
根据长度过滤序列
|-- merge_fasta_files_and_uniquify_ids.py
你有多个序列ID相同的文件,想合并一起,保证序列ID唯一性
>CL1Contig1
>CL1Contig2
|-- merge_masked_fasta_files.py
将不同软件冰壁重复序列结果合并
|-- prepend_to_fasta_header.py
你有多个序列ID相同的文件,想合并一起,在序列前面添加前缀,保证序列ID唯一性
|-- reformat_fasta_residue_lengths.py
按照一行固定字符数目重新显示FASTA序列
|-- remove_duplicate_sequences.py
移除掉重复的序列
|-- remove_empty_sequences.pl
移除掉文件中空的序列
|-- reorient_fasta.pl
从某一位置截取序列到另一个文件中
|-- reorient_sequences_by_id.py
将指定序列反向或者反向互补
|-- split_fasta_into_even_files.py
分割成指定数目的文件
|-- split_interleaved_sequence_file.py
将FASTQ/FASTA序列中成对的分成R1,R2两个文件,单独非成对的生成一个文件
|-- subsample_fasta.py
随机抽取指定数目的FASTA序列
|-- validate_fasta.py
主要检查以下内容:
- ERROR: Entry with 0-length sequence
- ERROR: No > symbols embedded in sequence residues (suggests merged records)
- ERROR: Nonzero-length identifier after > symbol until first whitespace
- ERROR: Multiple records within an individual file with same identifier
- ERROR: Incorrect record count (if --expected_record_count is passed)
- ERROR: Make sure the file ends with a blank line (else commonly used tools like cat will cause errors)
- WARNING: Residue lines > 60bp
- WARNING: Comment lines with # (most parsers will fail to handle this)
- WARNING: Homopolymers of length > --homopolymer_limit which are not Ns
- WARNING: Internal stops (*) detected in protein FASTA (if --check_internal_stops is passed)
`-- write_fasta_from_gff.pl
从GFF提取CDS和蛋白序列
二、SeqKit
处理FASTA和FASTQ的神器,window\linux系统版本都有.对于没有编程基础的小伙伴们,我们照样可以轻松操作序列文件。
该软件功能强大,小编只罗列部分模块功能,更详细功能参见软件网站:
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
Usage:
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description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。
示例:
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description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description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 mode lower 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 -l test.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