fasta格式文件处理大全（一）

前面我们介绍了fastq格式文件的处理，大概有20多个案例，掌握了这些案例，后面拿到fastq格式之后就可以根据需求，使用合适的软件工具进行处理了，从这次内容开始，我们将逐渐介绍fasta格式文件的处理。相比于fastq格式，fasta格式处理更加容易。

1 文件格式介绍

FASTA文件主要用于存储生物的序列文件，例如基因组，基因的核酸序列以及氨基酸等，是最常见的生物序列格式，一般以扩展名fa,fasta,fna等。

>NP_214518.1 hypothetical protein
ATGACGGGTTCTGTTGACCGGCCCGACCAGAATCGCGGTGAGCGATCAATGAAGTCACCAGGGTTGGATTTGGTCAGGCGCACCCTGGACGAAGCTCGTGCTGCTGCCCGCGCGCGCGGACAAGACGCCGGTCGAGGGCGGGTCGCTTCCGTTGCGTCGGGTCGGGTGGCCGGACGGCGACGAAGCTGGTCGGGTCCGGGGCCCGACATTCGTGATCCACAACCGCTGGGTAAGGCCGCTCGTGAGCTGGCAAAGAAACGCGGCTGGTCGGTGCGGGTCGCCGAGGGTATGGTGCTCGGCCAGTGGTCTGCGGTGGTCGGCCACCAGATCGCCGAACATGCACGCCCGACTGCGCTAAACGACGGGGTGTTGAGCGTGATTGCGGAGTCGACGGCGTGGGCGACGCAGTTGAGGATCATGCAGGCCCAGCTTCTGGCCAAGATCGCCGCAGCGGTTGGCAACGATGTGGTGCGATCGCTAAAGATCACCGGGCCGGCGGCACCATCGTGGCGCAAGGGGCCTCGCCATATTGCCGGTAGGGGTCCGCGCGACACCTACGG
ATAA

fasta文件中，第一行是由大于号">"开头的任意文字说明，用于序列标记，为了保证后续分析软件能够区分每条序列，单个序列的标识必须是唯一的，序列ID部分可以包含注释信息。
从第二行开始为序列本身，只允许使用既定的核苷酸或氨基酸编码符号。序列部分可以在一行，也可以分成多行。

2 下载

fasta格式主要用来存储基因组或者基因序列，从ncbi，ebi上可以下载大量的fasta格式序列，ncbi提供了edirect工具可以通过Accession Number直接下载序列。

efetch -db=nuccore -format=fasta -id=AF086833 > AF086833.fa

也可以从ncbi获得下载链接地址，使用wget，curl后者axel命令直接下载。

wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/195/955/GCF_000195955.2_ASM19595v2/GCF_000195955.2_ASM19595v2_genomic.fna.gz
gunzip GCF_000195955.2_ASM19595v2_genomic.fna.gz
mv GCF_000195955.2_ASM19595v2_genomic.fna ref.fna
wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/195/955/GCF_000195955.2_ASM19595v2/GCF_000195955.2_ASM19595v2_cds_from_genomic.fna.gz
gunzip GCF_000195955.2_ASM19595v2_cds_from_genomic.fna.gz
mv GCF_000195955.2_ASM19595v2_cds_from_genomic.fna gene.fna

3 统计

fasta文件中每个“>”开头代表一条序列，如果想统计文件中序列的条数，最简单的方法就是grep出所有大于号开头的行，然后使用wc统计即可。

$ grep ">" gene.fna | wc
   3906   35809  762721

seqkit的统计功能能够提供更多统计信息。

$ seqkit stats gene.fna 
file      format  type  num_seqs    sum_len  min_len  avg_len  max_len
gene.fna  FASTA   DNA      3,906  3,958,320       90  1,013.4   12,456

4 格式化

一般的fasta格式第一行是ID，接下来一行或者多行是序列，每行长度固定。不过可以进行调整，例如一行ID一行序列，或者让每行显示固定长度内容。

#所有序列显示在一行
seqtk  seq -l 0 gene.fna
#每行显示50个碱基
seqtk  seq -l 50 gene.fna

---------- END ----------

（扫描小程序，观看在线课程）

您可能还会感兴趣的