2019 6/19 インストール追記
2019 7/15 タイトル修正
2019 8/7リンク追加
2019 10/3コメント追加
fastaファイルfをいじっていると、何らかの拍子に構造がおかしくなってsamtoolsのindexでsegmentation errorを起こすことがある。途中に空行ができていたり、特殊文字が入っていたり、何らかの理由があるわけだが、embossのseqretを使うと簡単に修復することができる。seqretは入力ファイルを分析し、パースして標準的なNCBIのFASTA形式で出力することに使われるコマンドである。
配列中の数値、スペースなども消してくれるので、genbankをコピーして余計な文字を消すときにも使えます。
このような配列も
↓ 修復してくれる。
公式サイト
http://emboss.sourceforge.net/apps/release/6.6/emboss/apps/seqret.html
インストール
#bioconda (link)
mamba install -c bioconda -y emboss
#homebrew
brew cask install xquartz #xquartzも無ければ入れておく
brew install emboss
> seqret -h
$ seqret -h
Read and write (return) sequences
Version: EMBOSS:6.6.0.0
Standard (Mandatory) qualifiers:
[-sequence] seqall (Gapped) sequence(s) filename and optional
format, or reference (input USA)
[-outseq] seqoutall [<sequence>.<format>] Sequence set(s)
filename and optional format (output USA)
Additional (Optional) qualifiers: (none)
Advanced (Unprompted) qualifiers:
-feature boolean Use feature information
-firstonly boolean [N] Read one sequence and stop
General qualifiers:
-help boolean Report command line options and exit. More
information on associated and general
qualifiers can be found with -help -verbose
実行方法
seqret
user$ seqret
Read and write (return) sequences
Input (gapped) sequence(s): input.fasta
output sequence(s) [chr.fasta]:out.fa
またはinputとoutputのfasta名を指定する。
seqret input.fasta output.fasta
これだけでFASTAを修復できる。
UCSCからも同様のツールが提供されています。
https://users.soe.ucsc.edu/~kent/dnaDust/dnadust.html
追記
gffからgbkに変換 (manual)
seqret -sequence genome.fasta -feature -fformat gff -fopenfile input.gff -osformat genbank -osname_outseq output.gbk -ofdirectory_outseq gbk_file -auto
空のgff（先頭のコメント行のみ）を使えば、遺伝子アノテーションが無いgbkファイルを作ることもできます。
Proteinの修復ならProtein Duster が利用できます。
引用
EMBOSS: The European Molecular Biology Open Software Suite
Rice P1, Longden I, Bleasby A.
Trends Genet. 2000 Jun;16(6):276-7.
http://seqanswers.com/forums/showthread.php?t=2352
Existing tool for converting gff3 to genbank (gbk)
