Fastq序列提取

喜欢就点关注吧!

根据fastq序列的id，从原始fastq中提取序列这个操作，应该是大家在处理序列文件的过程中经常遇到的。如果大家用过Biopython，应该知道Bio模块在做fastq这些文件的处理时非常方便。但是有时序列达到几百万几千万条的时候，Bio的速度可能就无法满足要求了。

还是举个例子比较好，我从比对筛选过滤之后的bam文件中提取了第一列序列名，保存为id.name文件，想根据这个id文件从原始的fastq文件（单端）raw.fastq中把序列提出来。这里id.name中id数目42万左右，raw.fastq序列数1000万左右：

我首先写了一个脚本：（这里要用到biopython模块以及pandas模块，如果没安装的话可以装一下anaconda，它已经集成了这些常用包了，安装教程及使用见这里Anaconda：解决你装包的烦恼）

extract_fastq_reads_by_bam_id.py：

运行时间：

两分钟，感觉有点久，然后我查了下Bio中其实有针对fastq快速处理的FastqGeneralIterator，于是我使用FastqGeneralIterator又写了一个脚本：

extract_fastq_reads_by_bam_id_v1.py：

运行时间：

25秒！是不是感觉到人生苦短，我用Python这句话的真谛了，不过还没完。

其实还有更快的，只是不是Python了，而是Brian Bushnell用java写的工具包BBmap

（膜拜大神Brian Bushnell三秒）：

这里很多参数的意义都很明了，include=t是提取id.name中的序列，include=f是提取非id.name中的序列，这里我们应该用t。filterbyname.sh还可以操作双端fastq，具体的可以用-h查看参数，作者写的很清楚呢。

运行时间：

11秒！

所以如果大家觉得麻烦也可以装一下bbmap，但其实Biopython已经很优秀了！

今天的"科普"就到这里，希望大家多多支持关注我们，如果有什么问题的话就给我留言吧。ps：（这期实在是太忙了，下期有时间的话，给大家补上Numba的向量运算以及bbmap的安装和小用法，谢谢大家！）

感谢您的阅读，欢迎点赞、评论、支持和转发！！

觉得本文好看，请点这里