获取参考基因组chrom.sizes文件的3种方式

在数据分析中，软件经常会要求参考基因组对应的chrom.sizes文件，该文件保存了基因组中的染色体名称已经对应的长度，内容示意如下

第一列为染色体名称，第二列为染色体的长度。本文介绍一下生成该文件的3种方式

1. 从UCSC下载

这种方法适用于UCSC数据库中已有的物种。以hg19为例，在UCSC的FTP中直接提供了对应的chr.sizes文件，链接如下

http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/

下载红框标记的chrom.sizes文件即可。

2. 利用samtools进行提取

samtools的faidx命令可以获取fasta文件中的序列长度信息，从其生成的后缀为fai的文件中可以获得chrom.sizes文件，用法如下

samtools faidx hg19.fa
cut -f1,2 hg19.fa.fai > hg19.chrom.sizes

3. 自己写脚本进行统计

自己写脚本就比较灵活多变了，无论采用什么编程语言都可以，这里用perl给一个示例，代码如下

运行该脚本即可，命令如下

perl cal_chrom_sizes.pl hg19.fa > hg19.chrom.sizes

第一种方法受到了UCSC数据库的限制，第二种方法运行速度块，通用性强，更加推荐使用。自己写脚本的话，就是更加的灵活，可以根据自己的需求灵活定制。