在很久之前我們操作序列基本是用perl，無意中發(fā)現(xiàn)了seqkit ，作為一個字典資料記錄一下吧。以便以后用的時候直接復制。
我認為沒有直接操作過序列的生信工程師生涯，是不完整的。
https://bioinf.shenwei.me/seqkit/
序列操作：
1.取反向序列
seqkit seq test.fa -r > test_re.fa
2.取互補序列
seq test.fa -p > test_com.fa
3.取反向互補序列
seqkit seq test.fa -r -p > test_re_com.fa
4.DNA序列轉換為RNA序列
seqkit seq test.fa --nda2rna > test_rna.fa
5.RNA序列轉換為DNA序列
seqkit seq test.fa rna2dna > test_dna.fa
6.將序列以小寫字母的形式輸出
seqkit seq test.fa -l > test_lower.fa
7.將序列以大寫字母的形式輸出
seqkit seq test.fa -u > test_upper.fa
8.指定每行序列的輸出長度(為0的話，代表為一整行，默認的輸出 長度是60個堿基)
seqkit seq test.fa -w 10 > test_10.fa (指定序列的長度為10)
9.將多行序列轉換為一行序列
seqkit seq test.fa -w 0 > test_w.fa
10.只輸出序列
seqkit seq test.fa -s -w 0 > test_seq.fa
11.將只輸出的序列的，指定每行輸出的堿基數(shù)
seqkit seq test_seq.fa -s -w 40 > test_seq40.fa
注意10,11的微妙之處
11,12也可以一步完成：
seqkit seq test.fa -s -w 20 -o test_20.fa
Fasta/q之間以及與tab格式互換
10.將fataq文件轉化為fasta格式.
seqkit seq fq2fa test.fq -o test.fa
11.將fasta格式轉化為tab格式
seqkit fx2tab test.fa > test_tab.fa (沒有seq參數(shù))
序列信息統(tǒng)計
1.序列堿基含量
seqkit fx2tab -l -g -n -i -H test..fa (這些參數(shù)組合起來比較好看)
2.序列長度的整體分布統(tǒng)計
seqkit stat test.fa
seqkit grep [flags]
參數(shù)：
-n, --by-name
匹配整個序列的名字，包含deion部分，而不是序列id。
-s, --by-seq
匹配序列
-d, --degenerate
pattern/motif 包含簡并堿基
-i, --ignore-case
忽略大小寫
-v, --invert-match
輸出不匹配此模式的內容
-p,
匹配模式，支持連續(xù)寫多個模式，匹配任一模式即輸出。如-p ^ATG -p TAA$。注意該功能僅能正向匹配，不能實現(xiàn)對互補鏈匹配。
-f, --pattern-file string
支持匹配模式寫到一個文件中，如要提取的序列ID。
-R, --region string
匹配位置選擇。e.g 1:12 for first 12 bases, -12:-1 for last 12 bases
-r, --use-regexp
使用正則表達式，必須加入此參數(shù),如^匹配首端。同-p聯(lián)合使用。
舉例：
seqkit grep -s -r -i -p ^atg cds.fa＃選取有起始密碼子的序列
seqkit grep -f list test.fa > new.fa＃根據(jù)ID提取序列
seqkit grep -s -d -i -p TTSAA＃簡并堿基使用。S 代表C or G.
seqkit grep -s -R 1:30 -i -r -p GCTGG＃＃匹配限定到某區(qū)域
motif定位
對grep的拓展，可以正反鏈同時匹配，輸出匹配的位置。
seqkit locate [flags]
參數(shù)：
-d, --degenerate
pattern/motif contains degenerate base
-i, --ignore-case
ignore case
-P, --only-positive-strand
only search at positive strand
-p, --pattern value
search pattern/motif
-f, --pattern-file string
pattern/motif file (FASTA format)
舉例：
seqkit locate -i -d -p AUGGACUN test.fa
輸出結果：
seqID
patternName
pattern
strand
start
end
matched
cel-mir-58a
AUGGACUN
AUGGACUN
81
88
AUGGACUG
ath-MIR163
AUGGACUN
AUGGACUN
122
129
AUGGACUC
多個序列文件比較尋找相同的序列或者ID相同的序列
seqkit common [flags]
參數(shù):
-n, --by-name
匹配整個序列的名字，包含deion部分，而不是序列id
-s, --by-seq
match by sequence
-i, --ignore-case
ignore case
-m, --md5
use MD5 reduce memory usage
舉例:
１、By ID (default,>后面，空格之前的名字)輸出ID名字相同的。
seqkit common test1.fa test2.fa -o common.fasta
２、By full name（整個序列的名字，包含deion部分）。輸出序列名字相同的。
seqkit common test1.fa test2.fa -n -o common.fasta
３、輸出要比較的文件中序列相同的序列
seqkit common test1.fa test2.fa -s -i -o common.fasta
４、輸出要比較的文件中序列相同的序列 (for large sequences)
seqkit common test1.fa test2.fa -s -i -o common.fasta --md5
提取部分序列
如隨機抽取10000條FASTQ序列做NT污染評估。同時他也可以對FASTA序列提取
seqkit sample [flags]
參數(shù):
-n, --number int
sample by number (result may not exactly match)
-p, --proportion float
sample by proportion（按比例提）
-s, --rand-seed int
rand seed for shuffle (default 11)
-2, --two-pass
2-pass modelower memory
舉例：隨機抽取序列
seqkit sample -n 10000 -s 11 test1_1.fq -o sample.fq
seqkit sample -p 0.1 -s 11 test1_1.fq -o sample.fq
排序輸出命令
seqkit sort [flags]
參數(shù)：
-l, --by-length
按照序列長度排序
-n, --by-name
by full name
-s, --by-seq
按照序列排序
-i, --ignore-case
按序列排序時忽略大小寫
-r, --reverse
反向排序
-2, --two-pass
對于FASTA序列排序可以減少內存
舉例：
seqkit sort -ltest.fa
文件切割
seqkit split [flags]
參數(shù)：
-i, --by-id
split squences according to sequence ID
-p, --by-part int
將一個文件分割成N 份
-s, --by-size int
將一個文件按照N 條序列一個文件進行分割
-O, --out-dir string
output directory (default value is infile.split)
-2, --two-pass
two-pass mode to lower memory usage(only FAST)
舉例：
seqkit split hairpin.fa.gz -p 4
