readfq安装与使用（生物信息学工具-023）

01 背景

Readfq 是一个用于解析 FASTA/FASTQ 格式的例程集合。它可以无缝解析 FASTA 和多行 FASTQ，界面简单易用。

Readfq 首先在一个 C 头文件中实现，然后移植到 Lua、Perl 和 Python，作为单个函数，代码行数少于 50 行。对于脚本语言的用户，建议直接复制粘贴函数，而不是将 readfq 作为库使用。避免不必要的库依赖始终是一个好习惯。

Readfq 还追求效率。C 实现是最快的（如果不是最快的话）。Python 和 Perl 实现比官方的 Bio* 实现快几倍到几十倍。

02 参考

https://github.com/lh3/readfq   #官网

03 安装

git clone https://github.com/lh3/readfq.git

wget -c https://github.com/lh3/readfq/archive/refs/heads/master.zip
zip
readfq XXX_R1.fastq.gz  

04 使用及常用命令行

统计fastq文件的reads数目和碱基数目

#!/bin/bash
for i in $(find SRR*)
do
        printf $i"\t" >> result.txt; kseq_fastq_base $i >> result.txt
done

```perl
# Perl
my @aux = undef; # 这是用于保存中间数据
while (my ($name, $seq, $qual) = readfq(\*STDIN, \@aux)) { print "$seq\n"; }
```

```python
# Python: 生成器函数
for name, seq, qual in readfq(sys.stdin): print(seq)
```

```lua
-- Lua: 闭包
for name, seq, qual in readfq(io.stdin) do print(seq) end
```

```go
/* Go */
package main

import (
  "fmt"
  "bufio"
  "github.com/drio/drio.go/bio/fasta"
)

func main() {
  var fqr fasta.FqReader
  fqr.Reader = bufio.NewReader(os.Stdin)
  for r, done := fqr.Iter(); !done; r, done = fqr.Iter() {
    fmt.Println(r.Seq)
  }
}
```

```c
/* C */
#include <zlib.h>
#include <stdio.h>
#include "kseq.h"
KSEQ_INIT(gzFile, gzread)

int main() {
  gzFile fp;
  kseq_t *seq;
  fp = gzdopen(fileno(stdin), "r");
  seq = kseq_init(fp);
  while (kseq_read(seq) >= 0) puts(seq->seq.s);
  kseq_destroy(seq);
  gzclose(fp);
  return 0;
}
```

一些简单的基准测试结果：将包含 2500 万个 100bp 读数的 FASTQ 转换为 FASTA，FASTX-Toolkit（仅解析 4 行 FASTQ）耗时 325.0 CPU 秒，EMBOSS 的 seqret 耗时 247.8 秒。 seqtk 使用 kseq.h 库完成任务只需 24.6 秒，快了 10 倍。从同一个 FASTQ 中按名称检索 25000 个序列，BioPython 耗时 963 秒，而 readfq.py 耗时 136 秒；BioPerl 超过 40 分钟（被终止），而 readfq.pl 仅耗时 273 秒。Seqtk 耗时 29 秒。

推荐，seqtk等优化软件代替此脚本。

SeqKit v2.5.1 （bioinfomatics tools-003）

seqtk安装与使用-seqtk-1.4（bioinfomatics tools-012）

06 参考文献

W Shen, S Le, Y Li*, F Hu*. SeqKit: a cross-platform and ultrafast toolkit for FASTA/Q file manipulation. PLOS ONE. doi:10.1371/journal.pone.0163962. 

孟倩.基于高通量测序的短序列生物数据压缩研究[J].计算机应用与软件,2017,34(04):22-27+98.

Shen, W., Le, S., Li, Y., & Hu, F. (2016). SeqKit: A Cross-Platform and Ultrafast Toolkit for FASTA/Q File Manipulation. PloS one, 11(10), e0163962. https://doi.org/10.1371/journal.pone.0163962

桂元苗.    面向蛋白互作预测的序列数据特征识别研究[D].    中国科学技术大学,    2019.     DOI:10.27517/d.cnki.gzkju.2019.000074.   
孙佳伟.    基于核酸序列功能修饰位点的识别研究[D].    江苏科技大学,    2018.  
汪俊.    我国养殖太平洋牡蛎中诺瓦克样病毒的检测及部分核酸序列的分析[D].    中国海洋大学,    2005.