Fasta 和 Fastq格式作為測序分析的基礎(chǔ)，絕對是重中之重垢揩，所以了解這兩個(gè)文件的構(gòu)成和格式就非常重要
Fasta格式
以 > 為header line
另起一行開始序列，序列包含 ATGCN 五種字母敛瓷。Gap可以用. 或者-來表示
注意叁巨，每一行包含的序列不能太長，否則軟件搞不定琐驴。另外有一些非法字母在里面可能軟件會(huì)不識(shí)別俘种，比較扯淡的是軟件有時(shí)候不報(bào)錯(cuò)，所以一定要了解自己的軟件到底可以在多大程度上容忍非法字母绝淡。
另外如果序列太長，保證每一行都在同一個(gè)長度上wrap苍姜，否則也會(huì)出問題
另外header line可以包含很多信息
小寫字母可能表示重復(fù)序列
Fastq格式
這個(gè)是從basespace可以下載的數(shù)據(jù)牢酵，當(dāng)然也可以自己basecall 并 demultiplex后得到
第一行 fastq的header用的是@開頭
第二行是測序得到的序列
第三行是加號(hào)
第四行是測序質(zhì)量打分，必須是和第二行同樣的長度
其實(shí)第四行是phred score衙猪， 有+33 和 +64 等編碼格式
第一行的信息還是很豐富的
1 設(shè)備名
2 run id
3 flowcell id
4 flowcell lane
5 tile 號(hào)碼
6 x坐標(biāo)
7 y坐標(biāo)
8 pair里面的1 和 2
9 有無fileter馍乙， Y是加過filter了
10 還有index的序列
Phred打分
基本看見阿拉伯?dāng)?shù)字就說明> Q20
看見英文字母就是> Q30
不知道這樣理解對不對呀
獲取SRA的數(shù)據(jù)
命令為
fastq-dump --split-files
看GC content:
seqkit fx2tab --name --only-id --gc viral*.fna.gz
Fastq 去重復(fù)
seqkit rmdup --by-seq --ignore-case duplicated-reads.fq.gz > duplicated-reads.uniq.fq.gz
