本文完全参考自简书文章：https://www.jianshu.com/p/2671198ae625，本文仅供个人参考学习，如有需要请访问原作者，侵权请提醒删除，谢谢！

一、原理

seqtk是一款快速的、轻量级的fasta或fastq格式文件的处理工具，它可以无缝处理上述两种文件，完成日常的如

二、处理方案

1、安装

conda search seqtk
conda install -y seqtk

2、基本命令及介绍

$seqtk 

Usage:   seqtk <command> <arguments>
Version: 1.3-r106

Command:
          seq       common transformation of FASTA/Q # FASTA/Q 的转换 
         comp      get the nucleotide composition of FASTA/Q # 获取FASTA/Q的核苷酸组成
         sample    subsample sequences # 获取样本序列 
         subseq    extract subsequences from FASTA/Q # 提取子序列
         fqchk        fastq QC (base/quality summary) # fastq的质控
         mergepe   interleave two PE FASTA/Q files #交叉合并双端测序的两个FASTA/Q files，合并后的file第一条序列是第一个fq的第一条，合并后的file第二条是序列是第二个fq的第一条
         trimfq         trim FASTQ using the Phred algorithm # 用Phred算法对fq修剪

         hety          regional heterozygosity # 区域性杂合
         gc            identify high- or low-GC regions# 识别高低GC含量的区域
         mutfa       point mutate FASTA at specified positions#在特定位置指出FASTA的突变
         mergefa     merge two FASTA/Q files # 合并两个的FASTA/Q files
         famask       apply a X-coded FASTA to a source FASTA#将X编码的fa应用到原fa
         dropse       drop unpaired from interleaved PE FASTA/Q# 从交错合并的fa/fq中丢弃不成对的序列
         rename      rename sequence names#序列重命名
         randbase   choose a random base from hets#从hets中随机选一个碱基
         cutN           cut sequence at long N # 在N长度处切掉序列
         listhet         extract the position of each het #提取每一个het位置    

3、应用

3.1、seqtk seq

$seqtk seq

Usage:   seqtk seq [options] <in.fq>|<in.fa>

Options: -q INT    mask bases with quality lower than INT [0] #将质量小于INT的碱基，转成小写的字母[atgc]，INT默认是0。
         -X INT    mask bases with quality higher than INT [255] #标记质量大于INT的碱基。INT默认是255
         -n CHAR   masked bases converted to CHAR; 0 for lowercase [0]#用给出的CHAR字符代替标记的碱基，0表示用原碱基的小写字母表示。默认为0。这个参数应该和-q 或-X 搭配使用
         -l INT    number of residues per line; 0 for 2^32-1 [0] #每条序列取前INT个碱基。默认为0，表示保留整条序列
         -Q INT    quality shift: ASCII-INT gives base quality [33]#质量变换，如ASCII-33
         -s INT    random seed (effective with -f) [11]#随机种子，配合-f参数，默认11
         -f FLOAT  sample FLOAT fraction of sequences [1]#随机取整个文件的FLOAT（例如：0.5）行，随机数种子由-s决定。默认为1，表示保留所有序列
         -M FILE   mask regions in BED or name list FILE [null]#FILE可以是BED文件。若是BED文件，就将BED文件中给定区间的碱基转换成小写[atgc]序列；若是列表文件，则屏蔽掉给定的ID对应的整条序列。默认为空
         -L INT    drop sequences with length shorter than INT [0]#丢弃掉长度小于INT的序列，默认是0
         -F CHAR   fake FASTQ quality []# 用CHAR字符替换fq的质量值
         -c        mask complement region (effective with -M)# 标记互补区域，和-M参数配合使用
         -r        reverse complement#生成反向互补序列
         -A        force FASTA output (discard quality)#强制转换成fa格式，也可以用-a
         -C        drop comments at the header lines#在标题行删除注释
         -N        drop sequences containing ambiguous bases#丢弃掉含有不确定碱基N的序列
         -1        output the 2n-1 reads only#仅输入2n-1（奇数）的reads
         -2        output the 2n reads only#仅输入2n-1（偶数）的reads
         -V        shift quality by '(-Q) - 33' #通过-Q-33转换质量值
         -U        convert all bases to uppercases#所有碱基换成大写字母
         -S        strip of white spaces in sequences#删除序列中的空白行

3.2、seqtk comp

$seqtk comp
Usage:  seqtk comp [-u] [-r in.bed] <in.fa> # 获取fa的碱基的组成信息，用-r参数可以输出bed中的给定区间的序列

Output format: chr, length, #A, #C, #G, #T, #2, #3, #4, #CpG, #tv, #ts, #CpG-ts
# 输出格式：序列号  序列长度    A   C   G   T  

3.3、seqtk sample

$seqtk sample 

Usage:   seqtk sample [-2] [-s seed=11] <in.fa> <frac>|<number>
#随机抽取序列，用法是seqtk sample fq/fa num

Options: -s INT       RNG seed [11]#设置随机种子，默认11
         -2           2-pass mode: twice as slow but with much reduced memory#占用更大的内存

3.4、 seqtk subseq

$seqtk subseq

Usage:   seqtk subseq [options] <in.fa> <in.bed>|<name.list>
#提取name.list中指定名称的fa序列，
Options: -t       TAB delimited output# 输出以tab分割
         -l INT   sequence line length [0]# 输出序列以长度INT换行

Note: Use 'samtools faidx' if only a few regions are intended.#注意：如果只有少数几个区域，请使用'samtools faidx'

3.5、seqtk fqchk

$seqtk fqchk
Usage: seqtk fqchk [-q 20] <in.fq>#获取每个碱基点的分布和质量值，和fastqc质控类似，不过这里生成的是数据，而fastqc生成质控报告
Note: use -q0 to get the distribution of all quality values#用-q0来获取所有质量值的分布

3.6、seqtk mergepe

$seqtk mergepe
Usage: seqtk mergepe <in1.fq> <in2.fq>
# 交叉合并双端测序的序列，pe就是pair end的意思

3.7、seqtk trimfq

$seqtk trimfq

Usage:   seqtk trimfq [options] <in.fq>

Options: -q FLOAT    error rate threshold (disabled by -b/-e) [0.05]#设置错误率的阈值为FLOAT，以此作为修剪标准。此参数不可与-b/-e参数同时使用。默认值为0.05
         -l INT      maximally trim down to INT bp (disabled by -b/-e) [30]#无论是否质量低，序列保留到至少INT长度。此参数不可与-b/-e参数同时使用。默认值为30。此参数可以看下图（R2.fastq有三条read，测序质量依次递增）
         -b INT      trim INT bp from left (non-zero to disable -q/-l) [0]# 从序列左边切除INT个碱基。此参数不可与-q/-l参数同时使用。默认值为0
         -e INT      trim INT bp from right (non-zero to disable -q/-l) [0]#从序列右边切除INT个碱基。此参数不可与-q/-l参数同时使用。默认值为0
         -L INT      retain at most INT bp from the 5'-end (non-zero to disable -q/-l) [0]#保留从5'端起前INT个碱基
         -Q          force FASTQ output#强制输出fq格式

3.8、seqtk mergefa

$seqtk mergefa

Usage: seqtk mergefa [options] <in1.fa> <in2.fa># 合并两个的FASTA/Q files

Options: -q INT   quality threshold [0]
         -i       take intersection#取交集
         -m       convert to lowercase when one of the input base is N
         -r       pick a random allele from het
         -h       suppress hets in the input

3.9、seqtk rename

$seqtk rename #序列重命名
Usage: seqtk rename <in.fq> [prefix]

3.10、seqtk cutN

$seqtk cutN# 在N长度处切掉序列

Usage:   seqtk cutN [options] <in.fa>

Options: -n INT    min size of N tract [1000]
         -p INT    penalty for a non-N [10]
         -g        print gaps only, no sequence