序列操作神器：Seqkit
导读
本文[1]将介绍 SeqKit ：用于 FASTA/Q 文件操作的跨平台和超快工具包，后续提供了一些常用的示例
1. 安装
conda安装
conda install -c bioconda seqkit
Mac安装
brew install seqkit # 用于苹果电脑
2. 用法
2.1. 序列操作
seqkit seq [flags] file
- 参数
参数 | 作用 |
|---|---|
-p | 取互补序列 |
--dna2rna | DNA to RNA |
-l | 序列以小写字母输出 |
-g | 移除组装序列中的gap |
-r | 取反向序列 |
--rna2dna | RNA to DNA |
-u | 序列以大写字母输出 |
-w | 每行指定长度数据序列（default=60） |
# 将序列转换为一行输出
seqkit seq ex.fasta -w 0 > test.fasta
# 每行输出指定碱基n
seqkit seq -w n ex.fasta
# DNA序列转换为RNA序列
seqkit seq --dna2rna ex.fasta
# 取反向互补，且每行100碱基
seqkit seq -w 100 -p -r ex.fasta > test.fasta
2.2. 格式转换
- fa2fa
# fastq 转换为 fasta
seqkit fq2fa ex1.fq -o ex2.fa
# FASTA/FASTQ 转换成 tab 格式
seqkit fx2tab ex.fa > test.fa.tab.fa
seqkit fx2tab ex.fq > test.fq.tab.fq
# 序列碱基含量及序列长度信息统计
seqkit fx2tab [flags]
- 参数
参数 | 作用 |
|---|---|
-B | 输出碱基的含量 Ex: -B AT -B N |
-g | 输出 GC 含量 |
-l | 输出序列长度 |
-n | 仅输出名字 |
-i | 输出ID |
-H | 输出 header 行 |
# 输出序列长度，GC含量，名字，ID
seqkit fx2tab -l -g -n -i -H ex.fasta
2.3. 序列信息统计
# 序列长度分布统计
seqkit stat [flags]
- 参数
参数 | 作用 |
|---|---|
-a | 输出所有统计数据，包括 seq 长度的四分位数、sum_gap、N50 |
# 统计信息
seqkit stats *.f{a,q}.gz
# 结果如下图
示例
2.4. 根据ID提取序列
seqkit grep
- 参数
参数 | 作用 |
|---|---|
-n | 匹配整个序列的名字 |
-s | 匹配序列 |
-d | pattern/motif 包含简并碱基 |
-i | 忽略大小写 |
-v | 反向匹配 |
-p | 匹配模式，支持连续写多个模式，匹配任一模式即输出 |
-R | 匹配位置选择 |
-r | 使用正则表达式 |
# 选取有起始密码子的序列
seqkit grep -s -r -i -p ^atg ex.fa
# 根据ID提取序列
seqkit grep -f list ex.fa > new.fa
# 简并碱基使用。S 代表C or G.
seqkit grep -s -d -i -p TTSAA
# 匹配限定到某区域
seqkit grep -s -R 1:30 -i -r -p GCTGG＃
2.5. motif定位
seqkit locate [flags]
- 参数
参数 | 作用 |
|---|---|
-d | pattern/motif contains degenerate base |
-i | ignore case |
-P | only search at positive strand |
-p | search pattern/motif |
-f | pattern/motif file (FASTA format) |
seqkit locate -i -d -p AUGGACUN ex.fa
2.6. 多个文件寻找相同的序列
seqkit common [flags]
- 参数
参数 | 作用 |
|---|---|
-n | 匹配整个序列的名字，包含description部分，而不是序列id |
-s | match by sequence |
-i | 忽略大小写 |
-m | use MD5 reduce memory usage |
# By ID (default,>后面，空格之前的名字)输出ID名字相同的。
seqkit common test1.fa test2.fa -o common.fasta
# By full name（整个序列的名字，包含description部分）。输出序列名字相同的。
seqkit common test1.fa test2.fa -n -o common.fasta
# 输出要比较的文件中序列相同的序列
seqkit common test1.fa test2.fa -s -i -o common.fasta
# 输出要比较的文件中序列相同的序列 (for large sequences)
seqkit common test1.fa test2.fa -s -i -o common.fasta --md5
2.7. 文件切割
seqkit split [flags]
- 参数
参数 | 作用 |
|---|---|
-i | split squences according to sequence ID |
-p | 将一个文件分割成N 份 |
-s | 将一个文件按照N 条序列一个文件进行分割 |
-O | 输出目录 |
-2 | two-pass mode to lower memory usage(only FAST) |
# 将一个文件切割为 4 份
seqkit split ex.fa -p 4参考资料
[1]
Ref: https://bioinf.shenwei.me/seqkit/