根据配合对长度处理FASTQ文件

Tah*_*imi 1 perl bioinformatics bioperl sequencing fastq

以下文件是配对端fastq文件的两个配对,我想根据它们的长度分隔每个fastq.

mate1.fq:

@SRR127.1
TGGTTATGATGTTTGTGTAGGAATAGAAATTTTGATTAAGATATTAGTGAAATTTGAATGTAGTTTATTTGGAAGTTATGGAGAGTTTATATTGTATTTATGTTTATTGTTGTAGATTTATATTTATGTGTATATATTAGTTTTTTTGTGT
+
ABAAAF4FFFFFGGGGGGFFGGFGHGFGHHHHHGGCFFGHHHHH5FDBED55DGGFEGFHHHGBHDDHHHFF3AB3FFG5CBGBEF5BD5DGFEGHFAGAFEDGHGFHHGHGEFFGFGGHFEGHHFHGBEBGHHHHGHBHHFHHGGFGHH2
@SRR127.2
TATGGTAAGAAAATTGAAAATTATAAAAAATGAAAAATGTTTATTTGATGATTTGAAAAATGATGAAATTATTGAAAAATGTGAAAAATGAGAAATGTATATTGTAGGATTTGGAATATGGTGAGATAAATGAAAATTATAGTAAATG
+
AABAA5@D4@5CFFCA55FFGGHDGFHFFCC45DGFA2FA5DD55AAAA55DDBDEDDBGGFF5BA5DDABF5D5B5FF1ADFB5EDGHFG5@BFBD55D5FFB@@5@GBGEFBGHHGB@DBBFHFBDG3B43FFH@FGFHH?FHHHH
Run Code Online (Sandbox Code Playgroud)

mate2.fq:

@SRR127.1
ACCTATAAAAAAACCATATCAATAACTATAAAATCTTTATAAAATCCCACCCAATTAAAAAAAAATAAATTAATACATATAAAACCTTAAACACATAAAACATAATCACATACTATATAAACAATTACTATCACTACTAAACACCTAATA
+
>AA?AF13B@D@1EFCGGGFFG3EBGHHHBB2FGHHGHGFDGHHDFEGFHGGGHG1FFF1GGCGGGBGHHHHHFHHHHFHEGGFHF0BD1FGHHAGEGHFHHHFGGFHHGHHHFHHGGFHBGHFED1FBGFGFHDGHGHFGG1GB0GFHH
@SRR127.2
CTATTTCTCATTTTTTTATAATTTTCAATTCTCTTACCATATTCCACATCCTACACTAAACATTTCTAAATTTTCCACCTTTTTCTATTTTTCTCACCATATTTCATATCCTAAAAAACATATTCCTCATTTACTATAATTTTCAATTATC
+
11>>AFFDFF3@FFF?EFFGFBGHFDFA33D2FF2GGHFE12DD221AF1F1E1BG1GGBFBGGEGHDAABGAGDFABGG1BBDF12A2@2BG@2@DEFFF2B2@2222BB2211FGEE/11@22B2>1B22F2>GBGBD22BGD2>2B22
Run Code Online (Sandbox Code Playgroud)

我编写了以下代码来执行此操作,但我只得到第二个文件(mate2.fq)的奇怪错误,而他们两个也有151 bp读取.

#!/usr/bin/perl

use strict;
use warnings;

my @fh;

my $file_name = $ARGV[0];
my $infile    = $ARGV[1];

#convert every 4-line fastq to 1-line
open(FH, "cat '$infile' | awk '{printf \"%s%s\",\$0,(NR%4?FS:RS)}' | ");

while (<FH>) {
  chomp;

  my @line = split(/\s+/, $_);
  my $len  = length($line[1]);

  if ($len >= 100) {

    #print $len,"\n",$_,"\n";
    push @fh, $len;

    if (not defined $fh[$len]) {
      open $fh[$len], '>', "$file_name\_$len";
    }
    print { $fh[$len] } (join("\n", @line), "\n");
  }

}
Run Code Online (Sandbox Code Playgroud)

错误:

Can't use string ("151") as a symbol ref while "strict refs" in use at

我该如何处理这些文件?

Bor*_*din 6

正如您所读到的那样,您的问题是因为虚假push会在@fh数组末尾添加一个整数值.我认为你的目标是扩展数组足够长以添加新的文件句柄.你可以通过分配来做到这一点$#fh,所以你会写$#fh = $len if $#fh < $len; 但是这是不必要的,因为Perl会在您简单地分配给数组末尾的元素时自动为您扩展数组

我对你的程序有几点意见,希望你发现它很有用

  • 炮轰awk命令是不必要和浪费的.Perl完全有能力完成awk所能做的一切

  • 如果你发现自己写作,split /\s+/, $_那么你几乎肯定只是意味着split:默认行为就是这样做split ' ', $_.如果您使用/\s+/模式并且恰好在要拆分的字符串上有前导空格,那么split将返回一个空字符串作为字段列表中的第一项.如果您使用' '(文字单个空格,而不是模式/ /),那么这不会发生.实际上,split ' '相当于/\S+/g

  • 在字符串中插入变量值时,如果存在可能属于标识符的后续字符,则通常更适合将标识符放在括号内.因此"${file_name}_$len",而不是"$file_name\_$len"

这就是我编写代码的方式.它累积输入记录,$line直到添加了四个记录,然后像以前一样处理该行.

#!/usr/bin/perl

use strict;
use warnings;

my ($file_name, $infile) = @ARGV;

open my $in_fh, '<', $infile or die $!;
my $line;

my @fh;
while ( <$in_fh> ) {
  chomp;
  $line .= $_;

  if ( $. % 4 == 0 or eof ) {

    my @line = split ' ', $line;
    my $len  = length $line[1];
    next if $len < 100;

    open $fh[$len], '>', "${file_name}_$len" unless $fh[$len];
    print { $fh[$len] } "$_\n" for @line;

    $line = undef;
  }
}
Run Code Online (Sandbox Code Playgroud)


Sob*_*que 5

这个错误具体意味着你正在做一些需要引用的东西,但它没有得到一个.

这条线:

print {$fh[$len]} (join("\n",@line),"\n");
Run Code Online (Sandbox Code Playgroud)

是显式打印到文件句柄 - 从看起来像文件句柄列表调用@fh.

这一行:

push @fh, $len;
Run Code Online (Sandbox Code Playgroud)

将数值插入该列表.(据推测$line[1]是长151个字符).所以你实际上是想:

 print {151} (join("\n",@line),"\n");
Run Code Online (Sandbox Code Playgroud)

希望这很明显 - 只是不会起作用.您看起来像是在尝试打开文件句柄,并将其插入到数组中:

open $fh[$len], '>', "$file_name\_$len";
Run Code Online (Sandbox Code Playgroud)

我可以建议您使用散列更好吗?否则你有一个充满空元素的数组,其中一个已填充.

你可以改为:

#further up:
my %fh; 


#and then
open ( $fh{$len}, ">", "$file_name\_$len" ) or warn $!; 
Run Code Online (Sandbox Code Playgroud)

不要忘记在最后关闭文件句柄:

foreach my $key ( keys %fh ) {
   close ( $fh{$key} );
}
Run Code Online (Sandbox Code Playgroud)

我也建议而不是:

open( FH, "cat '$infile' | awk '{printf \"%s%s\",\$0,(NR%4?FS:RS)}' | " );
Run Code Online (Sandbox Code Playgroud)

你可能最好在perl中处理它,因为你所做的就是使用外部二进制文件解析文件.(并使用词汇文件句柄:`open($ input," - |,"cat'$ infile'| awk'{printf \"%s%s \",\ $ 0,(NR%4?FS:RS)}' ")或警告$!;)