如何缩短基因组序列以确保我的工作流程正常运行？

Question

我是德国海德堡大学的莫里茨。

对于我的学士论文，我有肝细胞癌患者的20个大型（25-30 GB）基因组文件（.txt.gz）。我在我的Ubuntu服务器上安装了Bpipe，我必须尝试几种方法。

包括的步骤是：

• 对齐（BWA（变换赛和山姆））对抗hg19.fasta
• 变换（samtols）
• Dedupe

我遇到的问题是，为了尝试我的bpipe工作流程，我必须采用30 GB的整个序列并从头开始。这需要很多时间。所以我的问题是：

如何缩短一个文件？

我在哪里可以找到一个可以用来测试管道的短序列？

Answer 1

您可以在NCBI SRA（序列读取存档数据库）中找到许多癌症序列数据集

http://www.ncbi.nlm.nih.gov/sra?term=cancer

可以使用“fastq-dump”将SRA格式的序列文件转换为FASTQ以与BWA对齐

http://azaleasays.com/2011/09/09/convert-sra-format-to-fastq/