seqkit根据基因id_[基因组工具]seqkit的使用

SeqKit的学习 --20191017

软件的介绍

SeqKit是一种跨平台的、极快的，全面的fasta/q处理工具。SeqKit为所有的主流操作系统提供了一种可执行的双元文件，包括Windows，Linux，Mac OS X，并且不依赖于任何的配置或预先配置就可以直接使用。

软件的安装

## Install via conda

conda install -c bioconda seqkit

软件的命令

## 序列和子序列

**seq** 转换序列(序列颠倒，序列互补，提取ID)

**subseq** 从区域/gtf/bed中获得序列，包括侧面的序列

**sliding** 滑动序列，支持环式基因组

**stats** 对FASTA/Q files进行简单统计

**faidx** 创造fasta索引文件并提取子序列

**watch** 检测并连线序列特点的柱状图

**sana** 清除质量不好的单线的fastq文件

## 格式转换

**fx2tab** 将FASTA/Q 文件转变成表格形式 (1th: name/ID, 2nd: sequence, 3rd: quality)

**tab2fx** 转变表格形式为fasta/q格式

**fq2fa** 转变fastq文件为fasta文件

**convert** 在Sanger, Solexa and Illumina中转换fastq的质量编码

**translate** 将DNA/RNA序列转变成蛋白序列(支持模棱两可的碱基)

## 搜索

**grep** 根据ID/名称/序列/序列motif 搜索序列，且允许错配

**locate** 定位子序列/motif,且允许错配

**fish** 使用本地比对在较大序列中寻找短序列

**amplicon** 经由引物检索扩增子(或它附近特定的区域)

## bam文件的处理和监视

**bam** 监视和连线bam文件记录特点的直方图

## 设置参数

**head** 打印第一个Nfasta/q的记录

**range** 在一个范围内(start:end)打印fasta/q的记录

**sample** 通过数量或比例来体验序列

**rmdup** 通过id/名称/序列 来去除复制的序列

**duplicate** 复制N次的序列

**common** 通过id/名称/序列 发现多条序列中共有的序列

**split** 通过id/seq region/size/parts (mainly for FASTA) 将序列劈开成文件

**split2** 将序列通过大小或部分 劈开成文件

## 编辑

**replace** 通过规律表达来代替名字或序列

**rename** 重新命名复制的ID

**restart** 为环状基因组重新设置起始位置

**concat** 从多个文件中经由相同的ID来连接序列

**mutate** 编辑序列(点突，插入，删除)

## 排序

**shuffle** 变换序列位置

**sort** 将序列经由id/name/sequence 进行排序

软件命令详解

Sequence ID

大部分的软件，包括seqkit默认将主导的非空格字母作为ID。

FASTA header

ID

>123456 gene name

123456

>longname

longname

>gi|110645304|ref|NC_002516.2| Pseudomona

gi|110645304|ref|NC_002516.2|

举例说明软件如何使用

##下载参考序列，一个fastq文件，两个fasta文件

wget http://data.biostarhandbook.com/reads/duplicated-reads.fq.gz

wget ftp://ftp.ncbi.nih.gov/refseq/release/viral/viral.1.1.genomic.fna.gz

wget ftp://ftp.ncbi.nih.gov/refseq/release/viral/viral.1.protein.faa.gz

对fastq文件进行一个概括浏览

$ seqkit stat *.gz

file format type num_seqs sum_len min_len avg_len max_len

duplicated-reads.fq.gz FASTQ DNA 15,000 1,515,000 101 101 101

viral.1.1.genomic.fna.gz FASTA DNA 6 195,842 5,386 32,640.3 154,675

viral.1.protein.faa.gz FASTA Protein 11