2024-05-14 T2T数据准备

1.Bam2fq (by 森哥)

脚本如下:

#!/usr/bin/perl

=head1 Description

ccsbam2fq.pl read BAM file of PacBio CCS and transform into FASTQ file, and output the length, accuracy (rq), and number of passes (np) of each ccs read.

=head1 Author

Version 1.0, Date 2021/07/05.

Sen Wang, wangsen1993@163.com.

=head1 Usage

perl ccsbam2fq.pl -i ccs.reads.bam -o ccs.reads.fq.gz -s ccs.read.fq.gz.stat [-h]

=cut

use strict;

use Getopt::Long;

# parse input options

my ($inbam, $outfq, $outstat, $help);

GetOptions(

"input|i=s"=>\$inbam,

"output|o=s"=>\$outfq,

"stat|s=s"=>\$outstat,

"help|h!"=>\$help

);

if (not $inbam or $help) {

die `pod2text $0`;

}

if (not $outfq) {

$outfq = "$outfq\.fq.gz";

}

if (not $outstat) {

$outstat = "$outfq\.stat";

}

# read BAM file, extract sequence and quality, and write into compressed FASTQ file

open IN, "samtools view $inbam |" or die "Cannot open $inbam!\n";

open OUT, "| gzip > $outfq" or die "Cannot create or write to $outfq!\n";

open STAT, ">$outstat" or die "Cannot create or write to $outstat!\n";

print STAT "#Read_id\tLength\tRead_accuracy\tNumber_passes\n";

while (<IN>) {

next if /^@/;

my @t = split(/\t/, $_);

my $rd = $t[0]; # 1st column is read id

my $sq = $t[9]; # 10th column is read sequence

my $ql = $t[10]; # 11th column is read quality ASCII (Phred +33)

my ($np, $rq);

foreach my $t (@t[11 .. @t - 1]) {

if ($t =~ /np/) {

$np = $t; # the column of number of passes (subreads covering each ccs read)

} elsif ($t =~ /rq/) {

$rq = $t; # the column of read quality (average accuracy)

} else {

next;

}

}

print OUT "\@$rd\t$rq\t$np\n$sq\n\+\n$ql\n";

my $ln = length($sq);

$np =~ s/np:i://;

$rq =~ s/rq:f://;

print STAT "$rd\t$ln\t$rq\t$np\n";

}

close IN;

close OUT;

close STAT;

输出结果为:fq.gz 和 fq.gz.stat (记录每条reads信息)

2.fq2fasta

zcat hifi.fq.gz | awk 'NR%4==1{printf ">%s\n", substr($0, 2)} NR%4==2{print}' | cut -f 1|gzip > hifi.fasta.gz

(首先使用zcat解压缩hifi.fq.gz文件,然后使用awk进行处理。awk命令中的代码会检查每行的行号,如果行号除以4的余数为1,则表示这是序列名称行;如果余数为2,则表示这是序列行。对于序列名称行,它会在行的开头添加>符号并输出;对于序列行,它会直接输出。最后,使用gzip将输出结果压缩为hifi.fasta.gz文件。)

3.统计序列信息

# 统计UltraLong.fa.gz中每条read的长度

seqtk comp hifi.fasta.gz | awk '{print $1"\t"$2}'

统计序列具体信息(总reads数,总碱基数,最短read长度,最长read长度,N50值)

#!/usr/bin/perl

###perl count_reads.pl UltraLong.fa.gz

use strict;

use warnings;

# 从命令行参数获取输入文件名

my $input_file = shift @ARGV;

# 检查输入文件是否存在

die "请输入有效的输入文件名。\n" unless defined $input_file && -e $input_file;

# 打开文件

open my $fh, "gzip -dc $input_file |" or die "无法打开文件: $input_file: $!";

my $total_reads = 0;

my $total_bases = 0;

my @read_lengths;

# 逐行读取文件

while (my $line = <$fh>) {

    chomp $line;

    if ($line =~ /^>/) {

        $total_reads++;

    } else {

        my $length = length($line);

        $total_bases += $length;

        push @read_lengths, $length;

    }

}

# 关闭文件

close $fh;

# 计算统计信息

my $min_length = min(@read_lengths);

my $max_length = max(@read_lengths);

my $n50 = calculate_n50(@read_lengths);

# 输出统计结果

print "总reads数: $total_reads\n";

print "总碱基数: $total_bases\n";

print "最短read长度: $min_length\n";

print "最长read长度: $max_length\n";

print "N50值: $n50\n";

# 计算N50值

sub calculate_n50 {

    my @lengths = sort { $b <=> $a } @_;

    my $total_length = sum(@lengths);

    my $half_length = $total_length / 2;

    my $n50 = 0;

    my $running_length = 0;

    foreach my $length (@lengths) {

        $running_length += $length;

        if ($running_length >= $half_length) {

            $n50 = $length;

            last;

        }

    }

    return $n50;

}

# 计算数组最小值

sub min {

    my $min = shift;

    foreach my $value (@_) {

        $min = $value if $value < $min;

    }

    return $min;

}

# 计算数组最大值

sub max {

    my $max = shift;

    foreach my $value (@_) {

        $max = $value if $value > $max;

    }

    return $max;

}

# 计算数组总和

sub sum {

    my $sum = 0;

    foreach my $value (@_) {

        $sum += $value;

    }

    return $sum;

}

4.提取大于50 Kb的UltraLong read用于基因组组装。

seqtk seq -L 50000 hifi.fq.gz| awk 'BEGIN{RS="@"} length($0)>20000 {printf "@"$0}'|gzip > 50Kb.hifi.fq.gz

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,524评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,869评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,813评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,210评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,085评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,117评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,533评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,219评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,487评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,582评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,362评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,218评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,589评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,899评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,176评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,503评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,707评论 2 335

推荐阅读更多精彩内容