Fasta 和 Fastq格式作为测序分析的基础，绝对是重中之重，所以了解这两个文件的构成和格式就非常重要

Fasta格式

以 > 为header line
另起一行开始序列，序列包含 ATGCN 五种字母。Gap可以用. 或者-来表示

注意，每一行包含的序列不能太长，否则软件搞不定。另外有一些非法字母在里面可能软件会不识别，比较扯淡的是软件有时候不报错，所以一定要了解自己的软件到底可以在多大程度上容忍非法字母。
另外如果序列太长，保证每一行都在同一个长度上wrap，否则也会出问题

另外header line可以包含很多信息

小写字母可能表示重复序列

Fastq格式

这个是从basespace可以下载的数据，当然也可以自己basecall 并 demultiplex后得到

第一行 fastq的header用的是@开头
第二行是测序得到的序列
第三行是加号
第四行是测序质量打分，必须是和第二行同样的长度

其实第四行是phred score， 有+33 和 +64 等编码格式

第一行的信息还是很丰富的
1 设备名
2 run id
3 flowcell id
4 flowcell lane
5 tile 号码
6 x坐标
7 y坐标
8 pair里面的1 和 2
9 有无fileter， Y是加过filter了
10 还有index的序列

Phred打分

基本看见阿拉伯数字就说明> Q20
看见英文字母就是> Q30
不知道这样理解对不对呀

获取SRA的数据

命令为
fastq-dump --split-files

看GC content:

seqkit fx2tab --name --only-id --gc viral*.fna.gz

Fastq 去重复

seqkit rmdup --by-seq --ignore-case duplicated-reads.fq.gz > duplicated-reads.uniq.fq.gz