Преобразование FASTQ в FASTA с помощью SED/AWK

Это старый вопрос, и было предложено много разных решений. Поскольку в принятом ответе используется sed, но есть явная проблема (которая заключается в том, что он заменяет @ на >, когда знак @ появляется в качестве первой буквы строки качества), я чувствую себя обязанным предложить простое решение на основе sed, которое действительно работает :

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

Единственное сделанное предположение состоит в том, что каждое чтение занимает ровно 4 строки в файле FASTQ, но, по моему опыту, это кажется довольно безопасным.

Скрипт fastq_to_fasta в наборе инструментов fastx тоже работает. (Стоит упомянуть, что вам нужно указать параметр -Q33, чтобы приспособить теперь распространенные кодировки Phred+33 qual. Что забавно, поскольку данные о качестве все равно отбрасываются!)

Сэд не умер. Если мы играем в гольф:

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

Или, эмулируя http://www.ringtail.tsl.ac.uk/david-studholme/scripts/fastq2fasta.pl, опубликованный Пьером, который печатает только первое слово (идентификатор) из первой строки и выполняет (некоторую) обработку ошибок:

#!/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

Кажется, существует множество инструментов для преобразования этих форматов; вам, вероятно, следует использовать их вместо чего-либо, размещенного здесь (включая приведенное выше).

Как подробно описано в Кок и др. (2009) NAR, многие из этих решений неверны, поскольку «символ маркера '@' (ASCII 64) может встречаться в любом месте строки качества. Это означает, что любой синтаксический анализатор не должен обрабатывать строку, начинающуюся с '@' как указание на начало следующей записи, без дополнительной проверки длины строки качества, пока она соответствует длине последовательности».

См. http://ukpmc.ac.uk/articlerender.cgi?accid=PMC2847217 для подробностей.

просто awk, другие инструменты не нужны

# 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

См. fastq2fasta.pl на http://www.ringtail.tsl.ac.uk/david-studholme/scripts/

я бы написал

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

Это самое быстрое, что у меня есть, и я засунул его в свой файл .bashrc:

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

Он не дает сбоев в нечастых, но не невозможных строках качества, которые начинаются с @ ..., но не дает сбой в обернутом FASTQ, если это вообще законно (хотя он существует).

Вот решение проблемы "пропустить каждую вторую строку", о которой я только что узнал из SO:

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

Если все, что нужно сделать, это заменить один @ на >, то я считаю

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

    read line_to_skip
    read line_to_skip
done

сделает работу.

Что-то вроде:

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

должно сработать.

Я думаю, что с помощью gnu grep это можно сделать следующим образом:

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

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

ниже

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

где data — ваш файл данных. Я получил:

>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/>/

Я знаю, что я далеко в будущем, но на благо гуглеров:

Вы можете использовать fastq_to_fasta из набора инструментов fastx. Однако он сохранит знак @. Он также удалит строки с Ns, если вы не скажете ему этого не делать.

Вас может заинтересовать bioawk, это адаптированная версия awk, настроенная на обработку файлов fasta.

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

Примечание. BioAwk основан на awk Брайана Кернигана, задокументированный в "Язык программирования AWK", Аль Ахо, Брайан Керниган и Питер Вайнбергер (Addison-Wesley, 1988, ISBN 0-201-07981 -Х). Я не уверен, совместима ли эта версия с POSIX. .