Question

我有一个数据，总是四个块采用以下格式（称为FASTQ）：

@SRR018006.2016 GA2:6:1:20:650 length=36
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGN
+SRR018006.2016 GA2:6:1:20:650 length=36
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!+!
@SRR018006.19405469 GA2:6:100:1793:611 length=36
ACCCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC
+SRR018006.19405469 GA2:6:100:1793:611 length=36
7);;).;);;/;*.2>/@@7;@77<..;)58)5/>/

是否有简单的sed / awk / bash方式将它们转换为这种格式（称为FASTA）：

>SRR018006.2016 GA2:6:1:20:650 length=36
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGN
>SRR018006.19405469 GA2:6:100:1793:611 length=36
ACCCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC

原则上，我们想要在每个4块中提取前两行并将@替换为>。

Answer 1

这是一个老问题，提供了许多不同的解决方案。由于接受的答案使用sed但有一个明显的问题（当@符号作为质量线的第一个字母出现时，它将取代@ with＆gt;）我觉得有必要提供一个简单的基于sed的解决方案，实际上工作原理：

sed -n '1~4s/^@/>/p;2~4p'

唯一的假设是每次读取在FASTQ文件中只占用4行，但根据我的经验，这看起来非常安全。

fastx工具包中的fastq_to_fasta脚本也可以使用。（值得一提的是，您需要指定-Q33选项以适应现在常见的Phred + 33质量编码。这很有趣，因为它无论如何都会丢弃质量数据！）

Answer 2

sed并没有死。如果我们打高尔夫球：

sed '/^@/!d;s//>/;N'

或者，模仿Pierre发布的http://www.ringtail.tsl.ac.uk/david-studholme/scripts/fastq2fasta.pl，它只打印第一行的第一个单词（id）并执行（某些）错误处理：

#!/usr/bin/sed -f
# Read a total of four lines
$b error
N;$b error
N;$b error
N
# Parse the lines
/^@\(\([^ ]*\).*\)\(\n[ACGTN]*\)\n+\1\n.*$/{
  # Output id and sequence for FASTA format.
  s//>\2\3/
  b
}
:error
i\
Error parsing input:
q

似乎有很多现有的转换这些格式的工具;你应该使用这些而不是在这里发布的任何东西（包括上面的内容）。

Answer 3

详见Cock，et al（2009）NAR，其中许多解决方案都不正确，因为“'''标记字符（ASCII 64）可能出现在质量字符串中的任何位置。这意味着任何解析器都不能处理以'@'开头的行表示下一条记录的开始，而不另外检查质量字符串的长度到目前为止与序列的长度匹配。“

有关详细信息，请参阅http://ukpmc.ac.uk/articlerender.cgi?accid=PMC2847217。

Answer 4

只是awk，不需要其他工具

# awk '/^@SR/{gsub(/^@/,">",$1);print;getline;print}' file
>SRR018006.2016 GA2:6:1:20:650 length=36
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGN
>SRR018006.19405469 GA2:6:100:1793:611 length=36
ACCCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC

Answer 5

请参阅http://www.ringtail.tsl.ac.uk/david-studholme/scripts/

中的 fastq2fasta.pl

Answer 6

我会写

awk '
    NR%4 == 1 {print ">" substr($0, 2)}
    NR%4 == 2 {print}
' fastq > fasta

Answer 7

这是我得到的最快的，我把它放在我的.bashrc文件中：

alias fq2fa="awk '{print \">\" substr(\$0,2);getline;print;getline;getline}'"

对于以@开头的不常见但不是不可能的质量线，它不会失败但是在包装的FASTQ上失败，如果这甚至是合法的（虽然它存在）。

Answer 8

awk 'BEGIN{P=1}{if(P==1||P==2){gsub(/^[@]/,">");print}; if(P==4)P=0; P++}' data

>SRR018006.2016 GA2:6:1:20:650 length=36
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGN
>SRR018006.19405469 GA2:6:100:1793:611 length=36
ACCCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC

以下

awk '{gsub(/^[@]/,">"); print}' data

其中data是您的数据文件。我收到了：

>SRR018006.2016 GA2:6:1:20:650 length=36
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGN
+SRR018006.2016 GA2:6:1:20:650 length=36
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!+!
>SRR018006.19405469 GA2:6:100:1793:611 length=36
ACCCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC
+SRR018006.19405469 GA2:6:100:1793:611 length=36
7);;).;);;/;*.2>/@@7;@77<..;)58)5/>/

Answer 9

以下是我刚从SO中学到的问题“跳过其他所有行”的解决方案：

while read line
do
    # print two lines
    echo "$line"
    read line_to_print
    echo "$line_to_print"

    # and skip two lines
    read line_to_skip
    read line_to_skip
done

如果需要做的只是将@更改为>，那么我认为

while read line
do
    echo "$line" | sed 's/@/>/'
    read line
    echo "$line"

    read line_to_skip
    read line_to_skip
done

将完成这项工作。

Answer 10

类似的东西：

awk 'BEGIN{a=0}{if(a==1){print;a=0}}/^@/{print;a=1}' myFastqFile | sed 's/^@/>/'

应该有用。

Answer 11

我认为，使用gnu grep可以用这个来完成：

grep -A 1 "^@" t.txt | grep -v "^--" | sed -e "s/^@/\>/"

Answer 12

我知道我将来会这样，但为了googlers的利益：

您可能想要使用fastq_to_fasta from the fastx toolkit。但它会保留@符号。它也会删除带有Ns的行，除非你不告诉它。

Answer 13

您可能对bioawk感兴趣，它是awk的改编版本，已调整为可处理fasta文件

bioawk -c fastx '{ print ">"$name ORS $seq }' file.fastq

注意：：BioAwk基于Brian Kernighan's awk中记录的"The AWK Programming Language", by Al Aho, Brian Kernighan, and Peter Weinberger (Addison-Wesley, 1988, ISBN 0-201-07981-X) 。我不确定该版本是否与POSIX兼容。

使用SED / AWK将FASTQ转换为FASTA

13 个答案: