Linux进阶 02 生物信息学常见文件格式

练习题讲解：之前一个比较难的练习题！

md5文件：

确保下载的文件和公司的文件是否相同 md5验证

解题思路：第一列代码和第二列文件分开处理

less -NS Data/md5.txt |cut -f 1
less -NS Data/md5.txt |cut -f 1 |tr ';' '\n' # 把;分隔符替换为回车
less -NS Data/md5.txt |cut -f 1 |tr ';' '\n' >tmp1 #暂时存为tmp1文件
less -NS Data/md5.txt |cut -f 2 |tr ';' '\n' >tmp2 #同理生成tmp2文件
paste tmp1 tmp2 >tmp3
cat tmp3

1 fasta格式

fasta：一种基于文本用于表示核酸序列或多肽序列的格式。缩写为fa

特征：两部分，id行和序列行

id行：以>开头，有时候会包含注释信息，如chr1、chr2…

序列行：一个字母表示一个碱基/氨基酸 ，ATCGN或20种氨基酸

2 fastq格式

fastq：一种保存生物序列（通常为核酸序列）及其测序质量得分信息的文本格式

fastq文件中，一个序列通常由四行组成：

• 第一行：以@开头，之后为序列的标识符以及描述信息
• 第二行：为序列信息，如ATCG
• 第三行：以+开头，之后可以再次加上序列的标识及描述信息（保留行）
• 第四行：为碱基质量值，与第二行的序列相对应，长度必须与第二行相同

四行为一个整体

3 gff格式

基因组注释文件，总共有9列

第一列 seqname 序列的名字，通常格式染色体ID或contig ID

第二列 source 注释的来源，通常是预测软件名或是公共数据库

第三列 feature 基因结构：transcript,gene,exon,CDS,start_codon,stop_codon,UTR...

第四列 start 起始位置，从1开始计数

第五列 end 终止位置

第六列 score 这一列的值表示对该类型存在性和其坐标的可信度，不是必须的，可以用"."代替

第七列 strand 链的正向与负向，分别用+和-表示

第八列 frame 密码子偏移，可以是0、1或2

第九列 attributes 属性，一个包含众多属性的列表，格式为“标签=值（tag=value）”，不同属性之间以分号相隔

三级结构：

第一级gene

第二级transcript

4 gtf格式

基因注释文件。总共有9列，分别为：

seqname 序列的名字

source 注释的来源

feature 基因结构：transcript,gene,exon,CDS,start_codon,stop_codon,UTR...

start 起始位置

end 终止位置

score .

strand 链的正向与负向

frame

attributes：属性，必须要有以下两个值：

• gene_id value:表示坐标在基因组上的基因座的唯一的ID。gene_id与value值用空格分开，如果值为空，表示没有对应的基因
• transcript_id value：预测的转录本的唯一ID。transcript_id与value值用空格分开，空表示没有转录本。

一定要有gene_id

transcript_id

实际上为二级结构

只关注基因水平和转录本水平

补充命令：让列对齐 column -t

less -NS Data/example.gtf |column -t |less -S