提取参考基因组某个位置的碱基
2019-04-11 本文已影响120人
Boer223
引言
前几天，有一同学询问如何快速获取到SNP位点上游和下游各100bp区间的序列呢？心里一想，这不就是需要去提取参考基因组某一位置的序列么，似乎自己在之前写过一个类似功能的脚本，但不怎么好用，那有没有更好的解决方案呢？搜索一番后，发现主要有三种方法。
利用samtools faidx方法
samtools faidx常用来对fasta文件建立索引，生成的索引文件以.fai后缀结尾。该命令也能依据索引文件快速提取fasta文件中的某一条或多条序列。
#提取多条序列，可用空格隔开
samtools faidx Vv.12X.dna.toplevel.new.fa 14:6372587-6372787 4:1854642-1854842 >result3.fa
#result3.fa
>14:6372587-6372787
TCTCTCGCAAAATTTGGAGCACCACCACGGCCATCACCGGTGTCCCAGAAGAAACCGTGC
TCGAAGACGATGACGCAAACCCTAACCCTAACCCCACCACCAACCCTAGTCCCAATCCCA
ATCCCACCCCTAAAGGGTTCAACAGTTATAGCATCGATGTGAATAGTGCGGAGAAGAAGG
TGCCTAGGTCGCGAAAACGAT
>4:1854642-1854842
TAAATAAACCCACTCAGCCCTCTGCTTCCTCATCTCCTCACCCCACTTTTTGGCTTTCAT
ATTCTTGAGATATGGCTGGTGAGCAGCATCTCTTAGCTACCGAGATTGTGAACCGTGGAA
TCGAATCCTCCGGCCCTAATGCTGGATCCCAGACCTTTTCAGTGAGGGTCCGACGGAGGC
TGCCGGACTTTGTCCAATCTG
利用bedtools getfasta方法
BEDTools是可用于genomic features的比较，相关操作及进行注释的工具。而其中getfasta的功能就是根据坐标信息提取序列信息。
bedtools getfasta -fi Vv.12X.dna.toplevel.new.fa -bed snp.pos.newname.bed -name -fo result4.fa
其中有三个必选参数：
-fi：参考基因组fasta文件；
-bed：需要提取的序列的位置信息；
-fo：输出文件。
需要说明的是，-bed接受的是bed文件，bed文件一般是从0开始的，而一些SNP位点和GFF文件是从1开始的（详细可查看BED文件格式），因此输入的位置文件要特别注意。
利用pysam模块
代码如下：
>>> import pysam
>>> ref = pysam.FastaFile('Vv.12X.dna.toplevel.new.fa')
>>> Chr,Start,End = '14','6372587','6372787'
>>> print(ref.fetch(Chr)[int(Start)-1:int(End)])
b'TCTCTCGCAAAATTTGGAGCACCACCACGGCCATCACCGGTGTCCCAGAAGAAACCGTGCTCGAAGACGATGACGCAAACCCTAACCCTAACCCCACCACCAACCCTAGTCCCAATCCCAATCCCACCCCTAAAGGGTTCAACAGTTATAGCATCGATGTGAATAGTGCGGAGAAGAAGGTGCCTAGGTCGCGAAAACGAT'
综上来看，个人比较推荐使用bedtools，可以进行批量处理，可以把想提取的序列位置信息写入到文件中，然后一步完成。
参考：
