mothur summary.seqs 统计fasta文件中每条序列的长度

在介绍summary.seqs的用法之前,我们首先需要搞清楚两个概念:

1)ambiguous bases

中文叫做模糊碱基,对于DNA序列来说,只有ATCG 4种碱基,在IUPAC定义的碱基标准中,出了上述4种碱基之外,还包括其他的碱基,可以代表不同类型的碱基

代码 英文含义 中文含义
G   Guanine 鸟嘌啉
A   Adenine 腺嘌啉
T (U) Thymine (Uracil) 胸腺嘧啶 (尿嘧啶)
C   Cytosine 胞嘧啶
R (A or G) PuRine 嘌啉
Y (C or T or U) Pyrimidine 嘧啶
M (A or C) Amino 腺嘌啉或胞嘧啶(氨基)
K (G or T) Ketone 鸟嘌啉或胸腺嘧啶(酮基)
S (C or G) Strong interaction 强相互作用碱基
W (A or T) Weak interaction 弱相互作用碱基
H (A or C or T) Not-G (H after G) 非鸟嘌啉
B (C or G or T) Not-A (B after A) 非腺嘌啉
V (A or C or G) Not-T/U (V after U) 非胸腺嘧啶
D (A or G or T) Not-C (D after C) 非胞嘧啶
N (A or C or G or T) Any 不确定

模糊碱基实际上就是除了A T C G 这4种碱基之外的其他碱基

2)homopolymer base

由1个碱基重复多次的序列,比如GCAGAAAAAAA 序列中,末端的一串A就是 homopolymer base

summary.seqs的基本用法:

mothur "#summary.seqs(fasta = "input.fasta")"

 

运行成功之后,会生成input.summary 文件,内容如下:

seqname	start	end	nbases	ambigs	polymer	numSeqs
1	1	24	24	0	2	1
2	1	25	25	10	10	1
3	1	25	25	2	1	1
4	1	24	24	0	18	1
5	1	24	24	0	2	1
6	1	24	24	0	1	1
7	1	24	24	0	1	1
8	1	25	25	0	2	1

 

共7列,每列表头含义如下:

seqname : 序列标识符

start      :  起始位置,从1开始

end       :   终止位置,

nbases  :  总碱基数,可以看做序列长度

ambigs  : ambiguous bases 模糊碱基的数目

polymer :  homopolymer 碱基的最大长度

numSeqs : 序列数,对于每条序列来说,其值总是为1

除了上述的基本用法外,summary.seqs 还有很多的参数;

processors  : CPU个数,mothur 是支持并行的,通过设置processors 参数可以并行执行程序,用法如下:

mothur "#summary.seqs(fasta = "input.fasta", processors = 10)"