本文目录一览：
FASTQ文件解读
Illumina测序技术使用 簇生成和边合成边测序（SBS）化学技术对流动槽（flow cell）上数百万或数十亿簇（cluster）进行测序，具体簇的数目取决于测序平台。 在边合成边测序化学过程中，仪器上的实时分析（RTA）软件对每个簇的每个循环进行碱基检出和存储。 RTA以单个读取碱基（base call，或称BCL）文件的形式存储碱基检出数据。 测序完成后，必须将BCL文件中的测定的碱基转换为序列数据。 此过程称为BCL到FASTQ的转换。
FASTQ文件是一个文本文件，其中包含通过流动槽（flow cell）上质控参数的簇（cluster）的测序数据（有关簇的质控参数，请参阅本公告的“其他信息”部分）。如果样本是multiplexed，则FASTQ文件生成的第一步是demultiplexing。 demultiplexing根据簇的index序列将簇分配给样本。 demultiplexing后，将每个样本的组合序列写入FASTQ文件。 如果未对样品进行multiplex，则不会发生demultiplexing，并且对于每个流动槽每个通道（Lane）中的所有簇都分配给一个样品。
对于单端测序的运行，将为每个流动槽上每条通道的每个样品创建一个Read 1（R1）FASTQ文件。 对于双端测序的运行，将为每个流动槽上每条通道的每个样品各创建一个R1和一个Read 2（R2）FASTQ文件。 FASTQ文件是使用扩展名*.fastq.gz压缩和创建的。-fastq文件取子集
FASTQ文件是什么样的？
对于每个通过质控参数的簇，一个序列被写入相应样本的R1 FASTQ文件，而对于双端测序运行，另外一个序列也被写入该样本的R2 FASTQ文件。 FASTQ文件中的每个条目包含4行：
这是R1 FASTQ文件中单个记录条目的示例：
有关FASTQ格式的更多详细信息，请参见此处。
如何查看FASTQ文件
FASTQ文件最多可以包含数百万个条目，大小可
根据seqid提取fastq序列
从fasta/fastq文件中提取子集
seqtk subseq head40.fq a.list
提取fq时需要其文件开头用: sed -i 's/@/@/g' head40.fq
seqkit grep -f a.list head40.fq [输出格式没有楼上好]
samtools view WT-1.validpairs.bam | head
提取valid_seqid：
提取原始fq_seqid:
提取补集：
提取 validpairs ：
提取 discard：
[基因组工具]seqkit的使用
SeqKit是一种跨平台的、极快的，全面的fasta/q处理工具。SeqKit为所有的主流操作系统提供了一种可执行的双元文件，包括Windows，Linux，Mac OS X，并且不依赖于任何的配置或预先配置就可以直接使用。-fastq文件取子集
Sequence ID
大部分的软件，包括seqkit默认将主导的非空格字母作为ID。
对fastq文件进行一个概括浏览
在fasta/q文件中获取每条序列的GC含量
从fastq/a中根据名字和ID提取序列子集
从fasta/q序列中找到合并碱基并找到它的位置 (这个仿佛有点难度，不报错也不打印内容到屏幕)？？
移去相同序列中重复的fasta/q记录
在fastq/a序列中定位motif/子序列/酶切位点
怎样通过长度来对大量的fasta文件进行排序
根据标题信息来拆分fasta序列
从一个text文件已知的字符串中搜索并替换fasta标题
从两个配对端读数的文件提取配对的reads
将两个fasta文件连接成一个
关于Fastq格式的一些想法
FASTQ是基于文本的，保存生物序列（通常是核酸序列）和其测序质量信息的标准格式。其序列以及质量信息都是使用一个ASCII字符标示，最初由Sanger开发，目的是将FASTA序列与质量数据放到一起，目前已经成为高通量测序结果的事实标准。-fastq文件取子集
FASTQ文件中每个序列通常有四行：
例如：
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
++
!'' (((( +))%%%++)(%%%%).1 -+ ''))**55CCFCCCCCCC65
质量评分指的是一个碱基的错误概率的对数值。其最初在Phred拼接软件中定义与使用，其后在许多软件中得到使用。其质量得分与错误概率的对应关系见下表：
Phred quality scores are logarithmically linked to error probabilities
Phred quality scores Q are defined as a property which is logarithmically related to the base-calling error probabilities P.-fastq文件取子集
除了Phred质量得分换算标准，还有就是Solexa标准：
Relationship between Q and p using the Sanger (red) and Solexa (black) equations (described above). The vertical dotted line indicates p = 0.05, or equivalently, Q ≈ 13.-fastq文件取子集
对于每个碱基的质量编码标示，不同的软件采用不同的方案，目前有5种方案：
SSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSS.....................................................
..........................XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX......................
...............................IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII......................
.................................JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ......................
LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL....................................................
!"#$%'()*+,-./0123456789:;=?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[]^_`abcdefghijklmnopqrstuvwxyz{|}~
没有特别的规定，通常使用.fq, .fastq, .txt等
FASTQ格式的序列一般都包含有四行，第一行由@开始，后面跟着序列的描述信息，这点跟FASTA格式是一样的。第二行是序列。第三行由'+'开始，后面也可以跟着序列的描述信息。第四行是第二行序列的质量评价（quality values，注：应该是测序的质量评价），字符数跟第二行的序列是相等的。-fastq文件取子集
FASTQ格式例子：
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
++
!'' (((( +))%%%++)(%%%%).1 -+ ''))**55CCFCCCCCCC65
例如在NCBI看到的FASTQ格式如下：
@SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=36
GGGTGATGGCCGCTGCCGATGGCGTCAAATCCCACC
+SRR001666.1 071112_SLXA-EAS1_s_7:5:1:817:345 length=36
IIIIIIIIIIIIIIIIIIIIIIIIIIIIII9IG9IC
FASTQ格式与Fasta格式、GenBank等格式的相互转换
Fastq文件格式解析
Fastq是测序数据下机格式，其中包含测序序列(reads)的序列信息及其对应的测序质量信息。
FASTQ格式文件中每个read由四行描述，如下：
其中第一行以“@”开头，随后为Illumina 测序标识符(Sequence Identifiers)和描述文字(选择性部分)；第二行是碱基序列；第三行以“+”开头，随后为Illumina 测序标识符(选择性部分)；第四行是对应序列的测序质量。-fastq文件取子集
Illumina 测序标识符详细信息如下：
第四行中每个字符对应的ASCII值减去33，即为对应第二行碱基的测序质量值。如果测序错误率用e表示，Illumina测序平台的碱基质量值用Qphred表示，则有下列关系：
ASCII - 33 = Qphred = -10log10(e)
此公式可说明，质量值越大测序错误率(e)越低，准确性越高
