序列操作神器：Seqkit

数据科学工厂

导读

本文将介绍 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

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，切每行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

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

---

微信扫一扫分享文章