从fastq文件中批量提取/过滤序列【python】

博主也是刚刚接触生信,会将自己平时练习用到的python脚本发布到博客上,用来记录自己的学习之路。

介绍

测序回来的fastq文件通常在分析之前,需要进行过滤,该脚本利用python实现fastq文件中提取指定ID的序列,并保存为新fastq文件,脚本一所有输入文件和输出文件都必须是压缩文件格式,脚本二是否压缩均可,但输出的过滤后的文件会和原始fastq文件保持一致。

说明

脚本一:

  • 输入文件为fq.gz文件,压缩的ID list文件。
  • 必须是压缩格式的文件才可以,如果非压缩格式,可以压缩成gz格式后使用该脚本,或者将该脚本改写。

脚本二:

  • 自动识别input文件格式,无论fq文件是否压缩都可以打开。
  • 输出文件格式默认与fq文件一致,即fq是压缩文件,过滤后的输出文件也是压缩文件,fq没有压缩,输出文件也是普通格式。

脚本如下

脚本一

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
#Author: gyw
#Date: 2019-03-07
#E-mail: willgyw@126.com
#Description:Filter reads from fastq.gz 

import gzip
import argparse


parser = argparse.ArgumentParser(description='filter reads from fastq.gz')
parser.add_argument('--fastq', '-q', dest='fastq', help='input a fastq.gz file')
parser.add_argument('--idlist', '-i', dest='idlist', help='input idlist.gz file')
parser.add_argument('--outfile', '-o', dest='outfile', help='input outfile name,end by gz')
args = parser.parse_args()

fastqdict = {}

with gzip.open(args.fastq, 'rb') as fastq:
    for line in fastq:
        if line.decode().startswith('@'):
            fastqid = line.decode().strip().split()[0][1:]
            fastqdict[fastqid] = ''
        else:
            fastqdict[fastqid] += line.decode()
   
outfile = gzip.open(args.outfile, 'wb')
       
with gzip.open(args.idlist, 'rb') as idfile:
    for line in idfile:
        readsid = line.decode().strip()
        for key in fastqdict.keys():
            if readsid == key:
                res = '@' + key + '\n' + fastqdict[key]
                outfile.write(res.encode())

outfile.close()


脚本二

import filetype
import gzip
import argparse


parser = argparse.ArgumentParser(description='filter reads from fastq')
parser.add_argument('--fastq', '-q', dest='fastq', help='input a fastq file')
parser.add_argument('--idlist', '-i', dest='idlist', help='input idlist file')
parser.add_argument('--outfile', '-o', dest='outfile', help='input outfile name')
args = parser.parse_args()

fastqdict = {}
kind1 = filetype.guess(args.fastq)
kind2 = filetype.guess(args.idlist)
if kind1 is None:
    with open(args.fastq,'r') as fastq:
        for line in fastq:
            if line.startswith('@'):
                fastqid = line.strip().split()[0][1:]
                fastqdict[fastqid] = ''
            else:
                fastqdict[fastqid] += line
elif kind1.extension == 'gz':
    with gzip.open(args.fastq, 'rb') as fastq:
        for line in fastq:
            if line.decode().startswith('@'):
                fastqid = line.decode().strip().split()[0][1:]
                fastqdict[fastqid] = ''
            else:
                fastqdict[fastqid] += line.decode()
if kind1 is None:
    outfile = open(args.outfile, 'w')
elif kind1.extension == 'gz':
    outfile = gzip.open(args.outfile, 'wb')
if kind2 is None:
    with open(args.idlist, 'r') as idfile:
        for line in idfile:
            readsid = line.strip()
            for key in fastqdict.keys():
                if readsid == key:
                    res = '@' + key + '\n' + fastqdict[key]
                    if kind1 is None:
                        outfile.write(res)
                    elif kind1.extension == 'gz':
                        outfile.write(res.encode())
elif kind2.extension == 'gz':
    with gzip.open(args.idlist, 'rb') as idfile:
        for line in idfile:
            readsid = line.decode().strip()
            for key in fastqdict.keys():
                if readsid == key:
                    res = '@' + key + '\n' + fastqdict[key]
                    if kind1 is None:
                        outfile.write(res)
                    elif kind1.extension == 'gz':
                        outfile.write(res.encode())

outfile.close()

如有错误,欢迎大家指正。

  • 5
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
FASTQ文件提取目标序列是基因组学研究常见的任务。FASTQ是一种常用的存储DNA序列及其对应质量值的文本文件格式。提取目标序列可以解决特定研究问题,如寻找编码特定蛋白质的基因序列或寻找与特定疾病相关的突变。 在提取目标序列前,我们首先需要了解目标序列的特征。这可能包括目标序列的长度、特定区域的突变、或者在特定组织或条件下表达的基因序列。根据这些特征,我们可以使用不同的方法来提取目标序列。 一种常见的方法是基于序列比对的方式。首先,我们需要一个参考序列,该参考序列应为我们要提取的目标序列的相似序列。然后,我们可以使用比对软件(如Bowtie、BWA等)将FASTQ文件序列与参考序列进行比对。通过比对,我们可以确定匹配目标序列序列片段,并将其提取出来。 另一种方法是基于序列搜索的方式。这种方式适用于目标序列FASTQ文件具有独特的序列或区域。我们可以使用序列搜索工具(如grep、BioPython等)来搜索FASTQ文件的目标序列。通过搜索,我们可以从FASTQ文件提取出包含目标序列的片段。 值得注意的是,提取目标序列可能存在一些挑战。例如,如果目标序列存在于大量不同的亚基因组,可能会导致提取过程的困难。此外,在提取序列之前,我们还需要根据实验设计和研究问题对序列进行预处理,如去除低质量序列、剔除重复序列等。 总之,从FASTQ文件提取目标序列是基因组学研究的重要任务。根据目标序列的特征,我们可以选择不同的方法来实现提取过程,并在提取前进行适当的数据预处理。这将有助于我们更好地理解基因组的结构和功能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值