如何删除有90%以上一致性的序列

如何删除有90%以上一致性的序列

学习是个漫长的过程，每次遇到不会的总想要把它收藏起来，今天就是碰到了不熟悉的CD-HIT，就各种百科，各种查找资料，就随手把笔记记录下来，方便日后和大家交流学习。日后再做更完整的补充。
写在前面的话：
本人是一枚生物学的学生，由于对生物信息学特别感兴趣，于是想自学生物信息学（新手莫怪）。了解到生物信息学要有编程基础，尤其是要会一门编程语言，例如：R语言、Python、Perl等，还要熟悉Linux系统，作为生信小白，听说Python挺简单的，于是就自学了Python，花了两天时间了解了Python的基础语法后，想做个练习题试试手（实践是检验真理的唯一标准）。

生物信息学中有一个相当普遍的任务 : 序列去冗余。更精确地说，要生成另一组一致性水平不高于临界值(如 90%) 的序列。这并不像听起来那么容易，因为这不仅需要一组相似序列，还需要确定选择一组相似序列中的哪一个序列的规则。在过去的十年中，已经有几个用于快速序列去冗余的算法。例如，其中一个经过了良好优化并易于使用的工具 CD-HIT。

CD-HIT(可容错的高同源性聚类数据库)

该程序非常快速，基于用户定义的相似性阈值对蛋白质序列进行聚类，需要输入一纽 FASTA 格式的序列，并返回两个文件 :一 个是聚类列表，另一个是所聚各类的代表序列 。 程序可以在 http://bioinformatics.org/cd-hit/下 载，安装说明手册也可在网站获得。程序安装完毕后，运行程序的命令格式如下:
cd-hit -i redundant set -0 nr-90 -c 0.9 -n 5
redundant_set 是输入的文件名，nr-90 是输出， 0.9 代表 90%的同源性，5是单词的大小(手册中提供了选择单词大小的建议) ，还有很多其他的选项可供选择。

日常结尾：
虽然这是个小小的计算程序，但对于初学者的我来说每一次对原代码的升级改造，哪怕是读懂后的注释都感觉是一次进步提升，总之代码虽小，动手最重要！希望更多学习Python的爱好者不要像我一样眼高手低，学习编程就是要，思考，敲码，思考，敲码，敲码，再敲码！!