序列操作神器：Seqkit
## 导读[本文](https://bioinf.shenwei.me/seqkit/ "Ref")将介绍 `SeqKit` ：用于 `FASTA/Q` 文件操作的跨平台和超快工具包，后续提供了一些长用的示例。
## 1. 安装
- `conda` 安装
```sh
conda install -c bioconda seqkit
```
- `Mac` 安装
```sh
brew install seqkit# 用于苹果电脑
```
## 2. 用法
### 2.1. 序列操作
```shell
seqkit seq 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） |
```sh
# 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，切每行100碱基
seqkit seq -w 100 -p -r ex.fasta > test.fasta
```
### 2.2. 格式转换
- fa2fa
```sh
# 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
```
```sh
# 序列碱基含量及序列长度信息统计
seqkit fx2tab
```
- 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 |
```sh
# 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
```sh
# 序列长度分布统计
seqkit stat
```
- 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 |
```sh
# 统计信息
seqkit stats *.f{a,q}.gz
# 结果如下图
```
### 2.4. 根据ID提取序列
```sh
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 |
```sh
# 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
```sh
seqkit locate
```
- 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) |
```sh
seqkit locate -i -d -p AUGGACUN ex.fa
```
### 2.6. 多个文件寻找相同的序列
```sh
seqkit common
```
- 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 |
```sh
# 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
```sh
seqkit split
```
- 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) |
```sh
# 将一个文件切割为 4 份
seqkit split ex.fa -p 4
```
---
页:
[1]