fasta和fastq格式文件的shell小练习

• FASTA: 在生物信息学中，FASTA格式是一种用于记录核酸序列或肽序列的文本格式，其中的核酸或氨基酸均以单个字母编码呈现。该格式同时还允许在序列之前定义名称和编写注释。这一格式最初由FASTA软件包定义，但现今已是生物信息学领域的一项标准。

FASTA简明的格式降低了序列操纵和分析的难度，令序列可被文本处理工具和诸如Python、Ruby和Perl等脚本语言处理。

• 格式说明：
  FASTA格式中的一条完整序列，包含开头的单行描述行和多行序列数据。描述行行首前置半角大于号（“>”）以和数据行区分。“>”后紧接的内容为该序列的标识符，该行剩余部分则为序列的描述（标识符与描述均非必须）。“>”和标识符之间不应有空格，且建议将单行内容限制在80字符以内。序列的结束以下一条序列的“>”出现为标识。如下为FASTA格式一条序列的示例：

>gi|31563518|ref|NP_852610.1| microtubule-associated proteins 1A/1B light chain 3A isoform b [Homo sapiens]
MKMRFFSSPCGKAAVDPADRCKEVQQIRDQHPSKIPVIIERYKGEKQLPVLDKTKFLVPDHVNMSELVKI
IRRRLQLNPTQAFFLLVNQHSMVSVSTPIADIYEQEKDEDGFLYMVYASQETFGFIRENE

上例中，“gi|31563518|ref|NP_852610.1|”是序列的名称。

---

• FASTQ : FASTQ是基于文本的，保存生物序列（通常是核酸序列）和其测序质量信息的标准格式。其序列以及质量信息都是使用一个ASCII字符标示，最初由Sanger开发，目的是将FASTA序列与质量数据放到一起，目前已经成为高通量测序结果的事实标准。

格式说明
FASTQ文件中每个序列通常有四行：

序列标识以及相关的描述信息，以‘@’开头；
第二行是序列
第三行以‘+’开头，后面是序列标示符、描述信息，或者什么也不加
第四行，是质量信息，和第二行的序列相对应，每一个序列都有一个质量评分，根据评分体系的不同，每个字符的含义表示的数字也不相同。

• bowtie2 中文教程：https://cncbi.github.io/Bowtie2-Manual-CN/

• 其他问题解决：

  image.png
  用conda更新conda便解决了：
  image.png
  image.png
  参考此文章：https://github.com/conda/conda/issues/4369

---

• 1. 统计reads_1.fq 文件中共有多少条序列信息：cat -b reads_1.fq 共有40000条信息，每四行为一条序列的信息，所以有10000条序列信息。

     
     image.png

• 2.输出所有的reads_1.fq文件中的标识符(即以@开头的那一行)：grep @ reads_1.fq:

  
  image.png

• 3.输出reads_1.fq文件中的 所有序列信息(即每个序列的第二行):

友情阅读推荐：

• 强烈推荐参加生信技能树（爆款入门培训课）全国巡讲 ，课程详情见：https://mp.weixin.qq.com/s/Z9sdxgvFj0XJjYaW_5yHXg 各大城市均有开课，随时随地报名。
• 生信技能树公益视频合辑：学习顺序是linux，r，软件安装，geo，小技巧，ngs组学！
  B站链接：https://m.bilibili.com/space/338686099
• 学徒培养详见：https://mp.weixin.qq.com/s/3jw3_PgZXYd7FomxEMxFmw