seqtk—抽取随机序列

工欲善其事 必先利其器

25年的新梗“干中学”相信大家都不陌生。诚然，在实践中学习是一种极为高效且充满活力的方式。当面对一项任务时，明确的需求如同一盏明灯，让我们能够有的放矢地投入精力。而每一次的尝试与探索，成就看得见的进步。这种“干中学”的过程，不仅让我们在实践中积累经验，更赋予了我们面对未知的勇气和解决问题的能力。今天我们就来学习一个具体的需求：从FastQ文件随机抽取一定数量的reads 。

FastQ文件

首选我们要了解fastq文件——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字符来表示，常用于高通量测序数据的存储。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标准格式。

FASTQ格式常以四部分组成：

• 第一部分：以@开头紧接着是序列的标识符和可选择的描述信息。和fasta格式的第一行相似。
• 第二部分：是原始序列信息
• 第三部分：以+开始，后面可再接与第一部分相同的序列标识符或者描述信息。一般都只是一个+
• 第四部分：以ASCII字符表示第二行碱基序列的测序质量。

fastq文件示例

fastq文件示例

其次我可以查询一下哪有已有的工具可以实现，比如：seqtk

seqtk

seqtk 是一款轻量级且高效的生物信息学工具，专门用于处理 FASTA/Q 格式的序列文件（如测序数据）。它由 Heng Li（李恒，SAMtools、BWA 等工具的作者）开发，广泛应用于序列数据预处理、格式转换、随机抽样等场景。

如何安装

安装非常简单，从Github下载压缩包，解压，编译即可。当然也可以使用Conda安装。

##编译安装
wget -c https://github.com/lh3/seqtk/archive/refs/tags/v1.4.tar.gz
tar -xf v1.4.tar.gz

cd seqtk-1.4/
make


##方法二：
conda activate RNAseq
conda install -y seqtk

安装

安装

随机抽样

# 随机抽取 10000 条 reads（设置随机种子 -s 避免重复）
seqtk sample -s 123 SRR23698412_1.fastq.gz 10000 > SRR23698412_1_subset.fastq
seqtk sample -s 123 SRR23698412_2.fastq.gz 10000 > SRR23698412_2_subset.fastq

注意：对双端文件（如 sample_1.fastq.gz 和 sample_2.fastq.gz）抽样时，需使用相同的随机种子（-s 参数），确保配对的 reads 被同步抽取。

抽样示例

抽样示例

其余用法：

FASTQ 转 FASTA

保留序列名称和质量值信息（可选）：

seqtk seq -A input.fastq.gz > output.fasta

截取序列子区间

提取每条序列的第 10 到 100 个碱基：

seqtk subseq input.fasta 10-100 > output_sub.fasta

过滤短序列

保留长度 ≥ 50 bp 的序列：

seqtk seq -L 50 input.fastq.gz > filtered.fastq

合并双端数据

将双端 FASTQ 文件合并为交错格式（interleaved）：

seqtk mergepe sample_1.fastq sample_2.fastq > merged.fastq