fasta格式文件介绍与处理
本帖最后由 生信喵 于 2022-4-8 08:51 编辑背景
拼接结果统计及评估
拼接完基因组之后最重要的事就是对拼接结果进行统计，一般很难一次就得到满意的结果。而是需要进行多次拼接，尝试不同的软件，不同的选项参数，得到多个拼接结果。然后从选择一个合适的结果。这就需要对每个结果进行统计。包括拼接出基因组的大小，条数，最长长度，最短长度等。
今天的部分是fasta格式文件介绍与处理。
一、fasta 文件格式
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。
1.1 fasta 文件格式介绍
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。
>NP_214518.1 hypothetical protein
ATGACGGGTTCTGTTGACCGGCCCGACCAGAATCGCGGTGAGCGATCAATGAAGTCACCAGGGTTGGATTTGGTCAGG
CGCACCCTGGACGAAGCTCGTGCTGCTGCCCGCGCGCGCGGACAAGACGCCGGTCGAGGGCGGGTCGCTTCCGTTGCG
TCGGGTCGGGTGGCCGGACGGCGACGAAGCTGGTCGGGTCCGGGGCCCGACATTCGTGATCCACAACCGCTGGGTAAG
GCCGCTCGTGAGCTGGCAAAGAAACGCGGCTGGTCGGTGCGGGTCGCCGAGGGTATGGTGCTCGGCCAGTGGTCTGCG
GTGGTCGGCCACCAGATCGCCGAACATGCACGCCCGACTGCGCTAAACGACGGGGTGTTGAGCGTGATTGCGGAGTCG
ACGGCGTGGGCGACGCAGTTGAGGATCATGCAGGCCCAGCTTCTGGCCAAGATCGCCGCAGCGGTTGGCAACGATGTG
GTGCGATCGCTAAAGATCACCGGGCCGGCGGCACCATCGTGGCGCAAGGGGCCTCGCCATATTGCCGGTAGGGGTCCG
CGCGACACCTACGG
ATAA
1.2 fasta 文件格式处理案例# fasta 文件格式处理案例
#案例一：统计
seqkit stats kmer45.scafSeq
#分别统计每一条序列长度
seqkit fx2tab kmer45.scafSeq |awk '{print $1"\t"length($2)}'
#案例二：格式化
seqtk seq -l 0 kmer45.scafSeq
#每行显示 50 个碱基
seqtk seq -l 50 kmer45.scafSeq
#案例三：逐条统计
seqtk seq -l 0 kmer45.scafSeq | grep -v ">" | awk '{print length($0)}' | head
#统计长度并按照长度计算频数
seqtk seq -l 0 kmer45.scafSeq |grep -v ">" | awk '{print length($0)}' | sort |
uniq -c
#案例四：成分分析
seqtk comp kmer45.scafSeq | head
#案例五：提取序列
seqkit grep -r -p "C2877" kmer45.scafSeq
#案例六：截取序列
seqkit subseq -r 1000:3000 kmer45.scafSeq
seqkit subseq -r 1000:3000 kmer45.scafSeq --chr C2689
#案例七：排序
seqkit sort -l -r kmer45.scafSeq | less -S
#案例八：按照长度过滤
seqkit seq -m 1000 kmer45.scafSeq
#过滤长度大于 1000bp 序列
seqkit seq -M 1000 kmer45.scafSeq
# 案例九：反向互补
#seqkit 取反向序列
seqkit seq -r test.fasta
#seqkit seq 加-r -p 同时取反向互补序列
seqkit seq -r -p test.fasta
#案例十：转换大小写
seqkit seq -l kmer45.scafSeq| head
seqkit seq -u kmer45.scafSeq| head
页:
[1]