使用SED / AWK将FASTQ转换为FASTA

13 回答

• 1

  这是一个老问题，并且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@），我觉得有必要提供一个简单的基于sed的解决方案，它实际上有效：

  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！）

  回复于 2024-05-06T11:12:55+08:00
• 9

  赛德并没有死 . 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）并进行（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
  

  似乎有很多现有的工具可用于转换这些格式;您应该使用这些而不是在此处发布的任何内容（包括上述内容） .

  回复于 2024-05-06T11:12:55+08:00
• 7

  正如Cock，et al（2009）NAR中详述的那样，许多这些解决方案都是错误的，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'@'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相匹配 . “

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

  回复于 2024-05-06T11:12:55+08:00
• 1

  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
  

  回复于 2024-05-06T11:12:55+08:00
• 1

  见http://www.ringtail.tsl.ac.uk/david-studholme/scripts/中的 fastq2fasta.pl

  回复于 2024-05-06T11:12:55+08:00
• 1

  我会写的

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

  回复于 2024-05-06T11:12:55+08:00
• 19

  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}'"
  

  它不会以偶然但不是不可能的质量行开始，它们以@开头但在包装的FASTQ上失败，如果这甚至是合法的（尽管存在） .

  回复于 2024-05-06T11:12:55+08:00
• 9

  这是我刚从SO学到的问题的“跳过每一行”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
  

  如果所有需要做的就是将 @ 更改为 > ，那么我估计

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

  会做的 .

  回复于 2024-05-06T11:12:55+08:00
• 1

  就像是：

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

  应该管用 .

  回复于 2024-05-06T11:12:55+08:00
• 4

  我想，使用gnu grep可以用这个来完成：

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

  回复于 2024-05-06T11:12:55+08:00
• 3

  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
  

  下面

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

  数据是您的数据文件 . 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/>/
  

  回复于 2024-05-06T11:12:55+08:00
• 1

  我知道我将来的方式，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 .

  回复于 2024-05-06T11:12:55+08:00
• 2

  您可能对bioawk感兴趣，它是awk的改编版本，可以调整处理fasta文件

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

  Note: BioAwk基于Brian Kernighan's awk，记录在"The AWK Programming Language", by Al Aho, Brian Kernighan, and Peter Weinberger (Addison-Wesley, 1988, ISBN 0-201-07981-X)中 . 我不确定这个版本是否与POSIX兼容 .

  回复于 2024-05-06T11:12:55+08:00