fastx_toolkit:处理fasta/fastq文件的小工具

欢迎关注”生信修炼手册”!

在NGS数据分析中，常常需要对fasta/fastq文件进行一些处理，fastx_toolkit是一款综合性的工具，提供了很多有用的功能，能够简单方便的处理序列文件。官网如下

http://hannonlab.cshl.edu/fastx_toolkit

官网提供了二进制可执行文件，直接下载即可

wget http://hannonlab.cshl.edu/fastx_toolkit/fastx_toolkit_0.0.13_binaries_Linux_2.6_amd64.tar.bz2
tar xjvf fastx_toolkit_0.0.13_binaries_Linux_2.6_amd64.tar.bz2

fastx_toolkit由一系列的命令组成，每个命令提供一个实用的小功能。在使用时需要注意以下几点

1. 不支持压缩格式的输入文件
2. 不允许序列中存在N碱基，这样的序列会自动去除
3. 可视化命令依赖gunplot软件和perl的GD模块
4. 默认情况下认为fastq文件的碱基编码格式为phred64

对于目前主流的phred33编码的fastq文件，需要添加参数-Q 33。

1. 将fastq文件转换为fasta文件

fastq_to_fasta命令可以将fastq文件转换为fasta文件，基本用法如下

fastq_to_fasta -i input.fq -o out.fa -Q 33

2. fasta 序列格式化

fasta_formatter命令用于格式化fasta文件，主要是指定序列的行数。fasta文件中每条序列由>开头的序列标识符和碱基序列两部分构成，其中碱基序列可以写成一行，也可以写成多行。该命令通过指定一行允许的最大碱基数，控制序列的展现形式，基本用法如下

fasta_formatter -i input.fa -w 60 -o out.fa

3. DNA序列和RNA序列的转换

fasta_nucleotide_changer命令用于改变fasta文件中的碱基，提供了两种模式，-r参数代表DNA转换成RNA模式，将T碱基转换成U碱基；-d参数代表RNA转换成DNA, 将U碱基转换成T碱基，基本用法如下

fasta_nucleotide_changer -i input.fa -r -o out.fa

4. 获取反向互补序列

fastx_reverse_complement命令可以将序列方向互补，支持fastq/fasta格式的输入文件，基本用法如下

fastx_reverse_complement -i input.fq -o rc.fq

5. 重命名序列标识符

fastx_renamer命令可以重命名序列标识符，提供了两种重命名方式，默认采用SEQ模式，直接用序列作为标识符，但是由于序列可能存在冗余，采用这种方式存在风险，COUNT模式采用数字编码作为标识符，编号从1开始。基本用法如下

fastx_renamer -n COUNT -i input.fa -o out.fa

6. 从序列中提取子串

fastx_trimmer命令可以从序列中提取子串，-f参数指定子串的起始位置，默认为1，-l参数指定子串的终止位置，默认为序列的长度。通过指定-f参数，可以方便的从序列的头部切除固定个数的碱基，基本用法如下

fastx_trimmer -f 5   -i input.fq -o out.fq

7. 去除adapter序列

fastx_clipper命令用于去除adapter序列， 也支持去除长度太短的序列，-a参数指定adapter序列，-l参数指定序列的最短长度，基本用法如下

fastx_clipper -a GATTGA -l 20 -i input.fa -o out.fa

8. 过滤fastq文件中的低质量序列

fastq_quality_filter命令根据高质量碱基所占的百分比对序列进行过滤，-q参数指定碱基质量阈值，高于该阈值的碱基认为是高质量碱基，-p指定高质量碱基百分比的阈值，低于该阈值的序列会被过滤掉，基本用法如下

fastq_quality_filter -q 20 -p 90 -i input.fq -o out.fq -Q 33

9. 合并重复序列

fastx_collapser命令用于合并重复序列，合并后的序列标识符由两部分组成，用-分隔，前半部分为数字编号，后半部分为该序列出现的次数，基本用法如下

fastx_collapser -i input.fa -o out.fa

10. 统计序列的碱基组成和质量分布

fastx_quality_stats命令统计序列的碱基组成和质量分布，支持fastq/fasta文件，基本用法如下

fastx_quality_stats -i input.fq -o stats.txt

只有当输入序列为fastq文件时，质量分布才有意义。

11. 可视化序列的碱基组成

fastx_nucleotide_distribution_graph.sh命令用于可视化序列的碱基组成，输入文件为fastx_quality_stats命令的输出文件，基本用法如下

fastx_nucleotide_distribution_graph.sh -i stats.txt -o out.png

产生的图片示意如下

12. 可视化序列的质量分布

fastq_quality_boxplot_graph.sh命令用于可视化序列的质量分布，输入文件为fastx_quality_stats命令的输出文件，基本用法如下

fastq_quality_boxplot_graph.sh -i stats.txt -o out.png

产生的图片示意如下

13. 可视化序列长度分布

fasta_clipping_histogram.pl命令用于可视化fasta序列的长度分布,基本用法如下

fasta_clipping_histogram.pl input.fa out.png

fastx_toolkit功能丰富，使用方便简单，但是在处理数据量较大的文件时，速度比较慢。

·end·

—如果喜欢，快分享给你的朋友们吧—