fasta格式文件处理大全（二）

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。

5 逐条统计

如果文件中有多条序列，想单独统计每一条长度，可以使用如下命令进行统计，并且可以按长度计算频数。

#统计每条序列长度
seqtk  seq -l 0 gene.fna  | grep -v ">" | awk '{print length($0)}' | head
#统计长度并按照长度计算频数
seqtk  seq -l 0 gene.fna  |grep -v ">" | awk '{print length($0)}' | sort | uniq -c

6 成分统计

如果想计算每条序列的长度以及ATCG碱基的组成，可以使用seq comp进行计算。

seqtk comp gene.fna | head

7 提取序列

如何根据基因ID，提取序列。如果不会编程，可以通过以下方法操作。
方法一：利用samtools为fasta建立索引，然后提取

samtools faidx gene.fna
samtools faidx gene.fna "lcl|NC_000962.3_cds_NP_216564.2_2038" "lcl|NC_000962.3_cds_YP_177964.1_3341"  

方法二：利用seqtk工具，给定一个ID列表

$ cat name.list 
lcl|NC_000962.3_cds_NP_216564.2_2038
lcl|NC_000962.3_cds_YP_177964.1_3341

$ seqtk subseq gene.fna name.list

8 截取序列

如果想截取某条序列固定区域，需要给定一个ID列表，包括染色体名字，起始坐标，终止坐标，这种ID列表就是后面要介绍的bed格式。截取序列方法与seqtk subseq功能一致，只不多这次多了坐标信息。

$ cat name.list 
lcl|NC_000962.3_cds_NP_216564.2_2038    100    2000
lcl|NC_000962.3_cds_YP_177964.1_3341     45     567

$ seqtk subseq gene.fna name.list

---------- END ----------

（添加作者微信，请注明单位姓名）

您可能还会感兴趣的