macでインフォマティクス

macでインフォマティクス

NGS関連のインフォマティクス情報についてまとめています。

fastqの処理ツール fqtools

 

fqtoolsは 無効なファイルを識別しながら、FASTQファイルを処理できる、高速で信頼性の高いFASTQファイル操作ツール。自動解析パイプラインでの使用も視野に設計されている。

 

インストール

依存

  • makezlib is required for processing compressed (.gz) data. The code relies on several recent zlib file IO functions, so must be a version >= 1.2.3.5.
  • htslib is required for reading BAM files. If htslib is not installed, download and compile htslib

htslibはかつてはSAMtoolsと一緒にダウンロードできたが、現在は別々にインストールされるようになっている。samtoolsが動くなら、htslibは持っているはずである。ダウンロードしたfqtoolsのMakeFile内の"HTSDIR=./htslib"をhtslibのパスに書き換えてビルドする。 

本体 Github

https://github.com/alastair-droop/fqtools

git clone https://github.com/alastair-droop/fqtools 
cd fqtools/

#hsslibのインストール
git clone https://github.com/samtools/htslib
cd htslib/
autoconf
./configure
make
make install
cd ..

#fqtoolsのビルド
make
cd bin/
./fqtools

$ fqtools -h

usage: fqtools [-hvdramuli] [-b BUFSIZE] [-B BUFSIZE] [-q QUALTYPE] [-f FORMAT] [-F FORMAT] COMMAND [...] [FILE] [FILE]

 

global options:

  -h               Show this help message and exit.

  -v               Show the program version and exit.

  -d               Allow DNA sequence bases       (ACGTN)

  -r               Allow RNA sequence bases       (ACGUN)

  -a               Allow ambiguous sequence bases (RYKMSWBDHV)

  -m               Allow mask sequence base       (X)

  -u               Allow uppercase sequence bases

  -l               Allow lowercase sequence bases

  -p CHR           Set the pair replacement character (default "%")

  -b BUFSIZE       Set the input buffer size

  -B BUFSIZE       Set the output buffer size

  -q QUALTYPE      Set the quality score encoding

  -f FORMAT        Set the input file format

  -F FORMAT        Set the output file format

  -i               Read interleaved input file pairs

  -I               Write interleaved output file pairs

 

CHR:

    This character will be replaced by the pair value when writing paired files.

 

BUFSIZE:

    Possible suffixes are [bkMG]. If no suffix is given, value is in bytes.

 

QUALTYPE:

    u  Do not assume specifc quality score encoding

    s  Interpret quality scores as Sanger encoded

    o  Interpret quality scores as Solexa encoded

    i  Interpret quality scores as Illumina encoded

 

FORMAT:

    F  uncompressed FASTQ format (.fastq)

    f  compressed FASTQ format (.fastq.gz)

    b  BAM format (.bam)

    s  SAM format (.sam)

    u  attempt to infer format from file extension, (default .fastq.gz)

 

COMMAND:

view      View FASTQ files

head      View the first reads in FASTQ files

count     Count FASTQ file reads

header    View FASTQ file header data

sequence  View FASTQ file sequence data

quality   View FASTQ file quality data

header2   View FASTQ file secondary header data

fasta     Convert FASTQ files to FASTA format

basetab   Tabulate FASTQ base frequencies

qualtab   Tabulate FASTQ quality character frequencies

lengthtab Tabulate FASTQ read lengths

type      Attempt to guess the FASTQ quality encoding type

validate  Validate FASTQ files

find      Find FASTQ reads containing specific sequences

trim      Trim reads in a FASTQ file

qualmap   Translate quality values using a mapping file

パスの通ったディレクトリにコピーしておく。

 

ラン

basetab 塩基をカウント

fqtools basetab input.fq 

$ fqtools basetab input.fq 

A 18538008

C 16527922

G 16350219

T 18729720

 

qualtab クオリティスコアをカウント

fqtools qualtab input.fq 

$ fqtools qualtab input.fq |head -n 15

! 0

" 0

# 0

$ 0

% 0

& 0

' 0

( 17198

) 20322

* 10934

+ 15572

, 50165

- 4090

. 2686

/ 1274

count リード数をカウント

fqtools count input.fq

header ヘッダーだけ表示(ヘッダーのみのcat)

fqtools header input.fq > output

sequence 配列だけ表示(配列のみのcat)

fqtools sequence input.fq > output

quality クオリティスコアだけ表示(クオリティスコアのみのcat)

fqtools quality input.fq > output

fasta fastaに変換

fqtools fasta input.fq > output.fa

view 中身を見る(=cat)

fqtools view input.fq

head 先頭10リードを表示

fqtools head input.fq

type シーケンスタイプを表示(詳細は-hで確認できる)

fqtools type input.fq

validate 異常がないか検証(壊れてないか、など)

fqtools validate input.fq

validate 配列ATGCATGCを探す(grep、agrepに近い)。

fqtools find -s ATGCATGC input.fq

$ fqtools find -h

Find FASTQ reads containing specific sequences.

 

view options:

  -h               Show this help message and exit.

  -k               Preserve secondary headers (if present).

  -a               Require all sequences for a match.

  -s SEQUENCE      Sequence to match against.

  -f SEQ_FILE      Read match sequences from file.

  -o STEM          Output file stem (default "output%").

  FILE             The fastq file(s) to view.

 

trim トリミング

#先頭10bp
fqtools trim -s 10 input.fq > trimmmed.fq

#100bpになるまでカット
fqtools trim -l 100 input.fq > trimmmed.fq

$ fqtools trim -h

View FASTQ files.

 

view options:

  -h               Show this help message and exit.

  -k               Preserve secondary headers (if present).

  -o STEM          Output file stem (default "output%").

  -s LENGTH        Trim LENGTH bases from the read start.

  -l LENGTH        Trim the read to a maximum length of LENGTH.

  FILE             The fastq file(s) to view.

 

サブコマンド独自のオプション以外に、すべてに共通するグローバルパラメータがある。

  • -h  Show this help message and exit.
  • -v  Show the program version and exit.
  • -d  Allow DNA sequence bases (ACGTN)
  • -r  Allow RNA sequence bases (ACGUN)
  • -a  Allow ambiguous sequence bases (RYKMSWBDHV)
  • -m  Allow mask sequence base (X)
  • -u  Allow uppercase sequence bases
  • -l  Allow lowercase sequence bases
  • -p  CHR Set the pair replacement character (default "%")
  • -b  BUFSIZE Set the input buffer size
  • -B  BUFSIZE Set the output buffer size
  • -q  QUALTYPE Set the quality score encoding -f FORMAT Set the input file format
  • -F  FORMAT Set the output file format
  • -i  Read interleaved input file pairs
  • -I  Write interleaved output file pairs

 

 例えばRNAの塩基数をbasetabサブコマンドでカウントするなら

fqtools -r basetab input.fq 

となる。

 

こちらも参考にしてください。


引用

fqtools: an efficient software suite for modern FASTQ file manipulation

Droop AP.

Bioinformatics. 2016 Jun 15;32(12):1883-4.