Bioawk：專門處理定序相關格式的awk（fasta,fastq,bed,sam,vcf,gff）

在處理大量fasta/fastq時，有時候會需要找一些速度快的程式，其中會發現在python, perl中有許多設計專門用來prase fasta/fastq相關的工具，但速度上總是不甚理想，此時，要是有一個跟awk一樣底層處理字串的工具，那絕對會很強大，這個bioawk便是為此而生的，他是Heng Li(寫samtools的大神)開發的一個小工具，速度會是現行其他 工具 的十倍速，所以很適合用來整合成自己pipeline的前線。

到哪下載和安裝呢？

可以直接到 Heng Li的github 下載，然後直接用make指令來編譯，比較舊版的 linux 系統，可能會需要安裝一些相關用來compile的工具。

那他有什麼基本指令呢？

其實使用其來就是awk，只是他在語法上把本來NR等常見的variable，制換成這些format（fasta/fastq/bed…）中的值，如下面的表格：

這邊有一些使用範例

Fasta

#fasta
算序列長度
bioawk -c fastx '{ print $name, length($seq) }' input.fasta
算每個序列的gc百分比
bioawk -c fastx '{ print $name, gc($seq) }' input.fasta
轉換成互補序列
bioawk -c fastx '{ print ">"$name;print revcomp($seq) }' input.fasta
只留下序列長度大於100的
bioawk -c fastx 'length($seq) > 100{ print ">"$name; print $seq }'  input.fasta
轉換fasta成tabular的格式
bioawk -t -c fastx '{ print $name, $seq }' input.fasta
選取特定id的序列
bioawk -cfastx 'BEGIN{while((getline k <"IDs.txt")>0)i[k]=1}{if(i[$name])print ">"$name"\n"$seq}' input.fasta

Fastq

計算有幾個reads
bioawk -t -c fastx 'END {print NR}' input.fastq
轉換fastq成為fasta
bioawk -c fastx '{print ">"$name; print $seq}' input.fastq
計算phred平均值
bioawk -c fastx '{print ">"$name; print meanqual($qual)}' input.fastq
選取小於10的reads片段
bioawk -cfastx 'length($seq) > 10 {print "@"$name"\n"$seq"\n+\n"$qual}' input.fastq