Question

我有一个fastq文件，其中读数超过1亿，基因组序列长度为10000

我想从fastq文件中取出序列并在基因组序列中搜索，允许3个不匹配

我用这种方式尝试使用awk我从fastq文件获取序列：

1.fq（几行）

@ DH1DQQN1：269：C1UKCACXX：1：1101：1207：2171 1：N：0：TTAGGC   NATCCCCATCCTCTGCTTGCTTTTCGGGATATGTTGTAGGATTCTCAGC

+

1 = ADBDDHD f是氟烃基; GF @ FFEFGGGIAEEI D9DDHHIGAAF：？BG39 BB

@ DH1DQQN1：269：C1UKCACXX：1：1101：1095：2217 1：N：0：TTAGGC   TAGGATTTCAAATGGGTCGAGGTGGTCCGTTAGGTATAGGGGCAACAGG

+

?? AABDD4C：DDDI + C：C3 @：C）：1 *）：？？？）################

$ awk'NR％4 == 2'1.fq

NATCCCCATCCTCTGCTTGCTTTTCGGGATATGTTGTAGGATTCTCAGC   TAGGATTTCAAATGGGTCGAGGTGGTCCGTTAGGTATAGGGGCAACAGG

我有所有序列存档，现在我想采取每行序列并在基因组序列中搜索，允许3个不匹配，如果它找到打印序列

示例：

基因组序列文件：

GGGGAGGAATATGATTTACAGTTTATTTTTCAACTGTGCAAAATAACCTTAACTGCAGACGTTATGACATACATACATTCTATGAATTCCACTATTTTGGAGGACTGGAATTTTGGTCTACAACCTCCCCCAGGAGGCACACTAGAAGATACTTATAGGTTTGTAACCCAGGCAATTGCTTGTCAAAAACATACA

搜索序列文件：

GGGGAGGAATATGAT

GGGGAGGAATATGAA

GGGGAGGAATATGCC

TCAAAAACATAGG

TCAAAAACATGGG

输出文件：

GGGGAGGAATATGAT 0＃0错配精确序列

GGGGAGGAATATGAA 1＃1不匹配

GGGGAGGAATATGCC 2＃2不匹配

TCAAAAACATAGG 2＃2不匹配

TCAAAAACATGGG 3＃3不匹配

Answer 1

之类的东西？

use 5.012;
use strict;
use warnings;
use String::Approx qw(aslice);
use File::Slurp;
use Data::Dumper;

my $genseq = "gseq.txt"; #the long sequence

$_ = read_file($genseq);

#read small patterns from stdin
while(my $patt = <>) {
    chomp $patt;
    my $len = length($patt);
    my($index, $size, $distance) = aslice($patt, ["3D0S3", "minimal_distance"]);
    say "$patt matched approx. at $index with mismatch $distance" if $distance <= 3;
}

为你输入产生：

GGGGAGGAATATGAT matched approx. at 0 with mismatch 0
GGGGAGGAATATGAA matched approx. at 0 with mismatch 1
GGGGAGGAATATGCC matched approx. at 0 with mismatch 2
TCAAAAACATAGG matched approx. at 179 with mismatch 2
TCAAAAACATGGG matched approx. at 179 with mismatch 3

老实说，不知道如何使用10000个字符长的genseq ......

Answer 2

我认为您应该考虑使用专为此数据设计的对齐工具，原因如下：

这些工具也会找到反向补充的匹配（但是，你也可以实现这个）。
Aligners将正确处理配对末尾读取和多个匹配。
大多数对齐器都是用C语言编写的，并使用为此数据量设计的数据结构和算法。

出于这些原因以及其他原因，您提出的任何脚本可能都不会像现有工具那样快速和完整。如果要指定要保留的不匹配数，而不是对齐所有读取然后解析输出，则可以使用Vmatch（如果您有权访问它）（此工具非常快且适用于许多匹配任务）。

在具有错配的基因组中搜索序列

2 个答案: