使用 Biopython 读取 fastq 文件的优缺点

我们都知道，biopython被开发作为一种生信工具，在处理一些生信文件时十分方便，在处理一些低通量的文件时，方便快捷。今天我们来探讨一下，biopython在处理fastq文件时的优缺点.

fastq的一条序列包括四行内容：
第一行： 序列id
第二行： 序列内容
第三行： +
第四行：测序的质量信息

优点： biopython 在处理fastq时会利用类将序列信息写入，命令行简单，易操作

from Bio import SeqIO

for reord in SeqIO.parse('bug.fq', 'fastq'):
    print(reord)

使用方法参考biopython说明书：
https://biopython-cn.readthedocs.io/zh_CN/latest/

缺点：
biopython在读取文件时会先读取全部文件，然后开始循环，因此会占用较大的缓存空间和较多的时间

我在这里比较了一下使用Biopython和不使用biopython循环完同一个fastq文件的时间，不使用biopython的时间明显更快，缩短了10倍左右，不要小看这个10倍，如果你处理的是几十G的双端测序文件，你就知道能节省多少时间了。

# 使用biopython循环完fastq文件的所有序列耗费时间
from Bio import SeqIO
import time
time1 = time.time()
n = 0
for reord in SeqIO.parse('test1.fq', 'fastq'):
    n += 1
time2 = time.time()
print("序列条数："+str(n))
print("耗费时间："+str(time2-time1))

#不使用biopython循环完fastq文件的所有序列耗费时间
import time
time1 = time.time()
File1 = open('test1.fq', 'r')
lines = File1.readline()
m = 0
n = 0
while lines:
    m += 1
    if m%4 == 0:
        n += 1
    lines = File1.readline()
time2 = time.time()
print("序列条数："+str(n))
print("耗费时间："+str(time2-time1))

在这里，我提供了一个同时循环双端测序文件的方法，可以对同一条序列的双端测序序列同时进行操作。可以增加写入的操作，整个操作过程基本不占用内存，处理速度也很快，对于性能不高的服务器来说十分友好。

File1 = open('test_R1.fq', 'r')
File2 = open('test_R2.fq', 'r')
line_1 = File1.readline()
line_2 = File2.readline()
m = 0
while line_1 and line_2:
    m += 1
    if m%4 == 1:
        seq1_id = line_1#R1的id
        seq2_id = line_2#R2的id
    elif m%4 == 2:
        seq1_seq = line_1#R1的序列
        seq2_seq = line_2#R2的序列
    elif m%4 == 3:
        seq1_c = line_1#R1的'+'
        seq2_c = line_2#R2的'+'
    elif m%4 == 0:
        seq1_quality = line_1#R1的质量信息
        seq2_quality = line_2#R2的质量信息
    line_1 = File1.readline()
    line_2 = File2.readline()