fasta和fastq格式文件的shell小练习
这个是有机结合生物信息学的linux和数据格式的练习题：
下载bowtie2软件后拿到示例数据：
mkdir -p ~/biosoft
cd ~/biosoft
wget https://sourceforge.net/projects/bowtie-bio/files/bowtie2/2.3.4.3/bowtie2-2.3.4.3-linux-x86_64.zip
unzip bowtie2-2.3.4.3-linux-x86_64.zip
cd ~/biosoft/bowtie2-2.3.4.3-linux-x86_64/example/reads
1)统计reads_1.fq 文件中共有多少条序列信息
image-20190615082233009
image-20190615082255991
2）输出所有的reads_1.fq文件中的标识符(即以@开头的那一行)
paste - - - -把每4行变成4列
image-20190616154708414
或者awk '{if(NR%4==1)print}' reads_1.fq,NR%4==0就是第4行
image-20190616155715471
awk里有20多个变量，NR是其中一个变量
- 输出reads_1.fq文件中的 所有序列信息(即每个序列的第二行)
image-20190616155154357
4）输出以‘+’及其后面的描述信息(即每个序列的第三行)
image-20190616155803589
5）输出质量值信息(即每个序列的第四行)
image-20190616155829796
- 计算reads_1.fq 文件含有N碱基的reads个数
image-20190616161441733
- 统计文件中reads_1.fq文件里面的序列的碱基总数
awk '{if(NR%4==2)print}' reads_1.fq|grep -o [ATCGN]| wc
awk '{if(NR%4==2)print}' reads_1.fq|paste -s -d + | bc
image-20190616161355993
8）计算reads_1.fq 所有的reads中
N碱基的总数
image-20190616161916614
9）统计reads_1.fq 中测序碱基质量值恰好为
Q20的个数
质量值在第四列
image-20190616162752571
image-20190616162706264
image-20190616162542696
10）统计reads_1.fq 中测序碱基质量值恰好为
Q30的个数
同上
11）统计reads_1.fq 中所有序列的第一位
碱基的ATCGNatcg分布情况
image-20190616163233267
image-20190616163318914
12）将reads_1.fq 转为reads_1.fa文件(即将fastq转化为fasta)
fa是2行，fq是4行，即只要目前fq的第1、2行
image-20190616163655676
image-20190616163640933
image-20190616163940708
image-20190616164027162
image-20190616164130077
- 统计上述reads_1.fa文件中共有多少条序列
image-20190616165212987
总有10000条
14）计算reads_1.fa文件中总的碱基序列的GC数量
image-20190616170030187
15）删除 reads_1.fa文件中的每条序列的N碱基
删除N碱基tr -d 'N'
image-20190616170233041
image-20190616170307290
grep后发现没有
16）删除 reads_1.fa文件中的含有N碱基的序列
删除含N序列grep -v N
先将头文件>r9998和序列变为一行，然后在将空格转换为换行符
image-20190616171241841
- 删除 reads_1.fa文件中的短于65bp的序列
删除短于65的序列，那就是留下大于65的序列，显示出来
image-20190616172257075
或者
image-20190616183501929
18） 删除 reads_1.fa文件每条序列的前后五个碱基
$ awk '{if(NR%2==0){print substr($0,6,length($0)-10)}}' reads_1.fa|head -1
image-20190616183739134
19）删除 reads_1.fa文件中的长于125bp的序列
cat reads_1.fa |paste - - |awk '{if(length($2)<=125){print $1"\n"$2}}'|tail -2
image-20190616183830996
20）查看reads_1.fq 中每条序列的第一位碱基的质量值的平均值
第一位碱基：cut -c1
image-20190616190149171
sed和grep主要是对文本进行“行”的操作，awk会把每一列都取一个名字，从第一列开始：分别为$1,$2...$n，
网友评论