seqkit的使用方法
seqkit github
mp.weixin.qq.com/s/OJsxFR33ej0ACozNbF_dNA
參數(shù)如下：
amplicon 通過引物檢索擴(kuò)增子(或其周圍的特定區(qū)域)
bam 檢查和在線繪制BAM記錄文件的直方圖
common 通過id/名稱/序列查找多個文件的公共序列
concat 連接多個文件中具有相同ID的序列
convert 轉(zhuǎn)換FASTQ質(zhì)量編碼格式：支持格式包括：桑格，Solexa和Illumina
duplicate 重復(fù)序列N次
faidx 創(chuàng)建FASTA索引文件并提取子序列
fish 使用局部比對在較大的序列中尋找短序列
fq2fa 轉(zhuǎn)換FASTQ到FASTA
fx2tab 將FASTA/Q轉(zhuǎn)換為表格格式(包含長度/GC含量/GC偏好)
genautocomplete 生成shell自動完成腳本
grep 通過ID/name/sequence/sequence motif搜索序列瓦呼，允許錯配
head 打印第一條序列
help 打印幫助信息
locate 定位序列晤锥，或者motifs瘩欺，允許錯配
mutate 編輯序列(點突變饱须、插入鄙皇、刪除)
pair 匹配雙端序列文件
range 打印一個范圍內(nèi)的序列
rename 重命名重復(fù)序列ID
replace 使用正則表達(dá)式修改名稱或者序列
restart 重置環(huán)狀基因組的起始位置
rmdup 通過id/名稱/序列刪除重復(fù)的序列
sample 按數(shù)量或比例對序列進(jìn)行抽樣
sana 清理損壞的單行fastq文件
scat real time recursive concatenation and streaming of fastx files
seq 轉(zhuǎn)換序列(反向胚嘲，補(bǔ)充嫌佑，提取ID…)
shuffle 隨機(jī)序列
sliding 序列滑窗提取杆故，支持環(huán)形基因組
sort 按id/名稱/序列/長度排序序列
split 按id/seq區(qū)域/大小/部件將序列拆分為文件(主要用于FASTA)
split2 按序列數(shù)量/文件數(shù)將序列拆分為多個文件(FASTA, PE/SE FASTQ)
stats FASTA/Q文件的簡單統(tǒng)計
subseq 通過region/gtf/bed得到子序列迅箩，包括側(cè)翼序列
tab2fx 轉(zhuǎn)換表格格式為FASTA/Q格式
translate 翻譯DNA/RNA到蛋白質(zhì)序列(支持歧義堿基)
version 打印版本信息并檢查是否更新
watch 序列特征的監(jiān)測和在線直方圖
單獨查看幫助
seqkit rename --help
多行轉(zhuǎn)單行
seqkit seq test.fa -w 0 把多行的轉(zhuǎn)為一行
單行轉(zhuǎn)多行
seqkit seq demo.fa -w 100 把一行的轉(zhuǎn)為多行，每行100個字符
提取序列的名稱
seqkit seq -n test.fa 獲取所有序列的名稱
DNA轉(zhuǎn)蛋白質(zhì)
seqkit translate -T 1 demo.fa -T參數(shù)指定使用的轉(zhuǎn)換模式处铛，1是一般模式饲趋。
提取上游2K的序列
seqkit subseq --up-stream 2000 -f --bed TM-1.bed TM-1.genome.fa
文件TM-1.bed格式是，染色體撤蟆，start,end,geneid使用tab分割奕塑，TM-1.genome.fa是基因組文件
提取只包含ID的序列##
seqkit seq -i 2.fa >3.fa
head 2.fa
>XP_012434104.1 PREDICTED: probable ribonuclease P/MRP protein subunit POP5
MVGFKNSYMVMEVLLDPNKEISGDDPIVVTQFNISKAIKDGILVNFGECGLASSLGSFQV
提取后，header只保留XP_012434104.1
head 3.fa
>XP_012434104.1
MVGFKNSYMVMEVLLDPNKEISGDDPIVVTQFNISKAIKDGILVNFGECGLASSLGSFQV
提取ID和序列（使用正則）在線正則表達(dá)工具https://c.runoob.com/front-end/854
seqkit seq -i --id-regexp "([A-Za-z0-9.]{1,30})" -w 0 CAZyDB.07312020.fa >CAZyDB.07312020.fasta
主要是使用--id-regexp這個參數(shù)家肯，匹配的時候不需要匹配^>龄砰，程序會自動匹配ID所在的行，中間的正則讨衣，必須用雙引號包括一對小括號换棚。小括號內(nèi)是匹配要保留ID的字符
head CAZyDB.07312020.fa
>CBL17682.1|CBM22|CBM6|GH10|GH43_16|3.2.1.55|3.2.1.8
MQLRITSRKKLTALLCALGLISIVAIYPRQTVNFFYSTAVQITDYIHFYGYRPVKSFAIRIPASYTIHGLDVSRWQERIDWQRVAKMRDNDIRLQFAFIKATEGEKLVDPYFSRNWQLSRENGLLRGAYHYFSPSVSASVQARLFLQTVDFSQGDFPAVLDVEERGKLSAKELRKRVSQWLKMVEKRTGKKPIIYSGAVFYHTNLAGYFNEYPWWVAHYYQRRPDNDGMAWRFWQHSDRGQVDGINGPVDFNVFNGTGMSCRHSLMGLKKRLK
head CAZyDB.07312020.fasta
>CBL17682.1
MQLRITSRKKLTALLCALGLISIVAIYPRQTVNFFYSTAVQITDYIHFYGYRPVKSFAIRIPASYTIHGLDVSRWQERIDWQRVAKMRDNDIRLQFAFIKATEGEKLVDPYFSRNWQLSRENGLLRGAYHYFSPSVSASVQARLFLQTVDFSQGDFPAVLDVEERGKLSAKELRKRVSQWLKMVEKRTGKKPIIYSGAVFYHTNLAGYFNEYPWWVAHYYQRRPDNDGMAWRFWQHSDRGQVDGINGPVDFNVFNGTGMSCRHSLMGLKKRLK
序列ID替換也可以使用在線工具https://birc.au.dk/~palle/php/fabox/header_replacer.php#
提取序列的指定字符為序列id
序列原有id格式如下：
cat promoter.2000.fa
>A07_5857965-5861421:._usf:2000 Gh_A07G050500.1
TGATGGAGGTTGAGATGGCCTCAGAACGGTATAAGTCGGGTCAATTCGATTTTTACGATT
TCGGTGTCATTTCAAATTTGAATAATTCGAGTTTTTATTATTTAGGGTTTGAGTCATTTT
AGGTTGAAAGCATTTGGGTTAGCCAGTGGGGTTTTTGAGTTTAAGTAAATTTGGATAATG
目標(biāo)是提取空格后的字符為序列id
seqkit seq -i --id-regexp "\s([\D\d]*)" promoter.2000.fa
\s是匹配前面的空格，()里面是要匹配的字符反镇，此處的[\D\d]*是所有字符
輸出的序列id格式即為
>Gh_A07G050500.1
TGATGGAGGTTGAGATGGCCTCAGAACGGTATAAGTCGGGTCAATTCGATTTTTACGATT
TCGGTGTCATTTCAAATTTGAATAATTCGAGTTTTTATTATTTAGGGTTTGAGTCATTTT
AGGTTGAAAGCATTTGGGTTAGCCAGTGGGGTTTTTGAGTTTAAGTAAATTTGGATAATG
如果原有id為圃泡，>A07_5857965-5861421:._usf:2000 Gh_A07G050500.1 XDeffeffg,這時仍想或許上述相同的id,就需要運行命令為seqkit seq -i --id-regexp "\s([\D\d]*)\s"
窄數(shù)字變?yōu)閷挃?shù)字
排序染色體
seqkit sort -N Genome.fa -o test.fa
seqkit替換id為指定字符串(直接按照序列順序，把序列id替換為Chr01,Chr02)
seqkit replace --ignore-case --pattern .+ -r "Chr{nr}" --nr-width 2 test.fa -o genome.new.fa
seqkit 替換序列頭部使用指定的文件
seqkit replace --ignore-case --kv-file rename.txt --pattern "^(\w+)" --replacement "{kv}" genome.fa -o genome.new.fa
rename.txt格式如下：兩列之間是tab分隔符愿险，第一列是舊的ID，第2列是新的ID
Chr1 Chr01
Chr2 Chr02
Chr3 Chr03
Chr4 Chr04
Chr5 Chr05
Chr6 Chr06
Chr7 Chr07
genome.fa的頭部格式是只有ID
>Chr1
ACCAGATTC
按照文件順序排序fa文件
seqkit faidx genome.fa --infile-list genome.order -o genome.order.fa genome.order是一列文件，是你要排序序列ID的順序辆亏，輸出的genome.order.fa是排序后的順序
DNA轉(zhuǎn)RNA
seqkit seq --dna2rna Chr_genome_final.fa
RNA轉(zhuǎn)DNA
seqkit seq --rna2dna Chr_final.fa
大寫轉(zhuǎn)小寫
seqkit seq --lower-case test.fa
小寫轉(zhuǎn)大寫
seqkit seq --upper-case test.fa
互補(bǔ)序列(-t 參數(shù)指定序列類型风秤，不指定也會自動識別，不過會有warning扮叨，要求指定類型)
seqkit seq -t DNA --complement test.fa
seqkit seq -t RNA --complement test.RNA.fa
反向序列
seqkit seq --reverse test.cds.fa 反向序列
seqkit seq -t DNA --complement --reverse test.cds.fa 反向互補(bǔ)序列
序列提取(-n指定提取數(shù)量缤弦，-s指定隨機(jī)數(shù)，-p指定抽取比例彻磁，-o輸出)
seqkit sample -n 10000 -s 10 test_1.fq -o sample.fq 隨機(jī)提取10000條序列
seqkit sample -p 0.1 -s 10 test_1.fq -o sample.fq隨機(jī)提取總序列的10%的序列
