seqkit的使用方法
seqkit github
mp.weixin.qq.com/s/OJsxFR33ej0ACozNbF_dNA
参数如下：
amplicon 通过引物检索扩增子(或其周围的特定区域)
bam 检查和在线绘制BAM记录文件的直方图
common 通过id/名称/序列查找多个文件的公共序列
concat 连接多个文件中具有相同ID的序列
convert 转换FASTQ质量编码格式：支持格式包括：桑格，Solexa和Illumina
duplicate 重复序列N次
faidx 创建FASTA索引文件并提取子序列
fish 使用局部比对在较大的序列中寻找短序列
fq2fa 转换FASTQ到FASTA
fx2tab 将FASTA/Q转换为表格格式(包含长度/GC含量/GC偏好)
genautocomplete 生成shell自动完成脚本
grep 通过ID/name/sequence/sequence motif搜索序列，允许错配
head 打印第一条序列
help 打印帮助信息
locate 定位序列，或者motifs，允许错配
mutate 编辑序列(点突变、插入、删除)
pair 匹配双端序列文件
range 打印一个范围内的序列
rename 重命名重复序列ID
replace 使用正则表达式修改名称或者序列
restart 重置环状基因组的起始位置
rmdup 通过id/名称/序列删除重复的序列
sample 按数量或比例对序列进行抽样
sana 清理损坏的单行fastq文件
scat real time recursive concatenation and streaming of fastx files
seq 转换序列(反向，补充，提取ID…)
shuffle 随机序列
sliding 序列滑窗提取，支持环形基因组
sort 按id/名称/序列/长度排序序列
split 按id/seq区域/大小/部件将序列拆分为文件(主要用于FASTA)
split2 按序列数量/文件数将序列拆分为多个文件(FASTA, PE/SE FASTQ)
stats FASTA/Q文件的简单统计
subseq 通过region/gtf/bed得到子序列，包括侧翼序列
tab2fx 转换表格格式为FASTA/Q格式
translate 翻译DNA/RNA到蛋白质序列(支持歧义碱基)
version 打印版本信息并检查是否更新
watch 序列特征的监测和在线直方图
单独查看帮助
seqkit rename --help
多行转单行
seqkit seq test.fa -w 0 把多行的转为一行
单行转多行
seqkit seq demo.fa -w 100 把一行的转为多行，每行100个字符
提取序列的名称
seqkit seq -n test.fa 获取所有序列的名称
DNA转蛋白质
seqkit translate -T 1 demo.fa -T参数指定使用的转换模式，1是一般模式。
提取上游2K的序列
seqkit subseq --up-stream 2000 -f --bed TM-1.bed TM-1.genome.fa
文件TM-1.bed格式是，染色体，start,end,geneid使用tab分割，TM-1.genome.fa是基因组文件
提取只包含ID的序列##
seqkit seq -i 2.fa >3.fa
head 2.fa
>XP_012434104.1 PREDICTED: probable ribonuclease P/MRP protein subunit POP5
MVGFKNSYMVMEVLLDPNKEISGDDPIVVTQFNISKAIKDGILVNFGECGLASSLGSFQV
提取后，header只保留XP_012434104.1
head 3.fa
>XP_012434104.1
MVGFKNSYMVMEVLLDPNKEISGDDPIVVTQFNISKAIKDGILVNFGECGLASSLGSFQV
提取ID和序列（使用正则）在线正则表达工具https://c.runoob.com/front-end/854
seqkit seq -i --id-regexp "([A-Za-z0-9.]{1,30})" -w 0 CAZyDB.07312020.fa >CAZyDB.07312020.fasta
主要是使用--id-regexp这个参数，匹配的时候不需要匹配^>，程序会自动匹配ID所在的行，中间的正则，必须用双引号包括一对小括号。小括号内是匹配要保留ID的字符
head CAZyDB.07312020.fa
>CBL17682.1|CBM22|CBM6|GH10|GH43_16|3.2.1.55|3.2.1.8
MQLRITSRKKLTALLCALGLISIVAIYPRQTVNFFYSTAVQITDYIHFYGYRPVKSFAIRIPASYTIHGLDVSRWQERIDWQRVAKMRDNDIRLQFAFIKATEGEKLVDPYFSRNWQLSRENGLLRGAYHYFSPSVSASVQARLFLQTVDFSQGDFPAVLDVEERGKLSAKELRKRVSQWLKMVEKRTGKKPIIYSGAVFYHTNLAGYFNEYPWWVAHYYQRRPDNDGMAWRFWQHSDRGQVDGINGPVDFNVFNGTGMSCRHSLMGLKKRLK
head CAZyDB.07312020.fasta
>CBL17682.1
MQLRITSRKKLTALLCALGLISIVAIYPRQTVNFFYSTAVQITDYIHFYGYRPVKSFAIRIPASYTIHGLDVSRWQERIDWQRVAKMRDNDIRLQFAFIKATEGEKLVDPYFSRNWQLSRENGLLRGAYHYFSPSVSASVQARLFLQTVDFSQGDFPAVLDVEERGKLSAKELRKRVSQWLKMVEKRTGKKPIIYSGAVFYHTNLAGYFNEYPWWVAHYYQRRPDNDGMAWRFWQHSDRGQVDGINGPVDFNVFNGTGMSCRHSLMGLKKRLK
序列ID替换也可以使用在线工具https://birc.au.dk/~palle/php/fabox/header_replacer.php#
提取序列的指定字符为序列id
序列原有id格式如下：
cat promoter.2000.fa
>A07_5857965-5861421:._usf:2000 Gh_A07G050500.1
TGATGGAGGTTGAGATGGCCTCAGAACGGTATAAGTCGGGTCAATTCGATTTTTACGATT
TCGGTGTCATTTCAAATTTGAATAATTCGAGTTTTTATTATTTAGGGTTTGAGTCATTTT
AGGTTGAAAGCATTTGGGTTAGCCAGTGGGGTTTTTGAGTTTAAGTAAATTTGGATAATG
目标是提取空格后的字符为序列id
seqkit seq -i --id-regexp "\s([\D\d]*)" promoter.2000.fa
\s是匹配前面的空格，()里面是要匹配的字符，此处的[\D\d]*是所有字符
输出的序列id格式即为
>Gh_A07G050500.1
TGATGGAGGTTGAGATGGCCTCAGAACGGTATAAGTCGGGTCAATTCGATTTTTACGATT
TCGGTGTCATTTCAAATTTGAATAATTCGAGTTTTTATTATTTAGGGTTTGAGTCATTTT
AGGTTGAAAGCATTTGGGTTAGCCAGTGGGGTTTTTGAGTTTAAGTAAATTTGGATAATG
如果原有id为，>A07_5857965-5861421:._usf:2000 Gh_A07G050500.1 XDeffeffg,这时仍想或许上述相同的id,就需要运行命令为seqkit seq -i --id-regexp "\s([\D\d]*)\s"
窄数字变为宽数字
排序染色体
seqkit sort -N Genome.fa -o test.fa
seqkit替换id为指定字符串(直接按照序列顺序，把序列id替换为Chr01,Chr02)
seqkit replace --ignore-case --pattern .+ -r "Chr{nr}" --nr-width 2 test.fa -o genome.new.fa
seqkit 替换序列头部使用指定的文件
seqkit replace --ignore-case --kv-file rename.txt --pattern "^(\w+)" --replacement "{kv}" genome.fa -o genome.new.fa
rename.txt格式如下：两列之间是tab分隔符，第一列是旧的ID，第2列是新的ID
Chr1 Chr01
Chr2 Chr02
Chr3 Chr03
Chr4 Chr04
Chr5 Chr05
Chr6 Chr06
Chr7 Chr07
genome.fa的头部格式是只有ID
>Chr1
ACCAGATTC
按照文件顺序排序fa文件
seqkit faidx genome.fa --infile-list genome.order -o genome.order.fa genome.order是一列文件，是你要排序序列ID的顺序，输出的genome.order.fa是排序后的顺序
DNA转RNA
seqkit seq --dna2rna Chr_genome_final.fa
RNA转DNA
seqkit seq --rna2dna Chr_final.fa
大写转小写
seqkit seq --lower-case test.fa
小写转大写
seqkit seq --upper-case test.fa
互补序列(-t 参数指定序列类型，不指定也会自动识别，不过会有warning，要求指定类型)
seqkit seq -t DNA --complement test.fa
seqkit seq -t RNA --complement test.RNA.fa
反向序列
seqkit seq --reverse test.cds.fa 反向序列
seqkit seq -t DNA --complement --reverse test.cds.fa 反向互补序列
序列提取(-n指定提取数量，-s指定随机数，-p指定抽取比例，-o输出)
seqkit sample -n 10000 -s 10 test_1.fq -o sample.fq 随机提取10000条序列
seqkit sample -p 0.1 -s 10 test_1.fq -o sample.fq随机提取总序列的10%的序列