今日は ペアエンドリードのデータ を2つのFASTQファイルにする方法を紹介します。

single とpaired-end について詳しくはイルミナさんのWEBサイトをご覧ください。
ペアエンドシーケンスとシングルリードシーケンステクノロジーの比較
SRAから
リードアーカイブから取得した ~~.sra をFASTQに変換するときに、「分割してください」と指定します。
変換には SRA-Toolkit のfasterq-dump を使います。
fasterq-dump --split-3 DRR000001.sra
オプションは --split-files でも大丈夫です。
--split-filesと--split-3 では、ペアが見つからないリードの扱いが異なります。
--split-filesではもう一方にペアとなるリードが存在するしないに関わらず、フォワードリードとリバースリードを別々のファイルに分割します。
--split-3では、ペアのリードが存在しないリードを違うファイルに分割します。
FASTQから
FASTA/Q操作のスペシャリスト・Seqkit を使って分割します。
このような、ペアリード情報が1つのファイルに収まっており
〇〇-1と〇〇-2が隣り合って記述されているデータを入力として、
@ID:10014:19887/1 CTTAAAATGTCGCTGTTTGGAGACACAATTGCCTACCTGCATACATTAAC + BCCCEFFFFFFEGGGGGGGGGGHGHHHGHHHHHHHHHHHHHHHHHHHHHH @ID:10014:19887/2 GCAGATAGAGGCACCAATTAGTGCTTTCTGTATATCAGTTAAGCATCCCC + CCCCCFFFFFFCGGGGGGGGGGHHHHHHHHGHHHHHHHHHHHHHHHHHHH @ID:10063:6652/1 AGCTGAGACCATCTGCATTTCCCGTCTCACTCCTGGCACTGAGGATCTCG + BBBBCFFFFDFFGGGGGGGGGGHGHGHHHHHHHHHHHHHHHHHGHHHHHH @ID:10063:6652/2 GCTCATAGCAGAGCAGCGAGATCCTCAGTGCCAGGAGTGAGACGGGAAAT + CCCDCFFFFFFFGGGGGGGGGGHHHHHHHHHHHHHHGHHHHHHGGGGGHH @ID:10132:11696/1 GTTGCCTGTATGATGCACTGTTAAAACAGGCCTCAAAAAGATTGCAACAT + AAA3>FFFFFFFGGGGGGGGGGHHHHHHHHGGHHHHHHHGGHHHHHHHHH @ID:10132:11696/2 CAGAAATACTGATCAGAGGAACATGATTCTTGAAGAACAATGCTACGCTA + CCCCCFFFFFFFGGGGGGGGGGHHHHHHHHHHHHHHHHHHHHHHHHGGGG @ID:10132:13569/1 TTCCAAGGGGATTCTGTTTGCCATGTCACCCTTGGTCAAAGCCAAGGGAA
以下のように2つに分けたいとします。
@ID:10014:19887/1 CTTAAAATGTCGCTGTTTGGAGACACAATTGCCTACCTGCATACATTAAC + BCCCEFFFFFFEGGGGGGGGGGHGHHHGHHHHHHHHHHHHHHHHHHHHHH @ID:10063:6652/1 AGCTGAGACCATCTGCATTTCCCGTCTCACTCCTGGCACTGAGGATCTCG + BBBBCFFFFDFFGGGGGGGGGGHGHGHHHHHHHHHHHHHHHHHGHHHHHH @ID:10132:11696/1 GTTGCCTGTATGATGCACTGTTAAAACAGGCCTCAAAAAGATTGCAACAT + AAA3>FFFFFFFGGGGGGGGGGHHHHHHHHGGHHHHHHHGGHHHHHHHHH
@ID:10014:19887/2 GCAGATAGAGGCACCAATTAGTGCTTTCTGTATATCAGTTAAGCATCCCC + CCCCCFFFFFFCGGGGGGGGGGHHHHHHHHGHHHHHHHHHHHHHHHHHHH @ID:10063:6652/2 GCTCATAGCAGAGCAGCGAGATCCTCAGTGCCAGGAGTGAGACGGGAAAT + CCCDCFFFFFFFGGGGGGGGGGHHHHHHHHHHHHHHGHHHHHHGGGGGHH @ID:10132:11696/2 CAGAAATACTGATCAGAGGAACATGATTCTTGAAGAACAATGCTACGCTA + CCCCCFFFFFFFGGGGGGGGGGHHHHHHHHHHHHHHHHHHHHHHHHGGGG
順番が揃っていなかったら・・・
これもSeqkit を使ってソートしましょう。ファイルのGZ圧縮は拡張子によって自動で認識されます。
seqkit sort -n -o merged.fastq shuffle.fastq
-n は FASTQのfull name でソートする
-o は出力名を決めるオプションです。
実行!
seqkit split2 でFASTQファイルを分割します。
seqkit split2 -p 2 merged.fastq.gz
-p は 分割数を指定するオプションです。
特に指定しないと新しいディレクトリが作られ、2ファイルが収まっています。
$ ls merged.sorted.rename.fastq.split/ merged.sorted.rename.part_001.fastq merged.sorted.rename.part_002.fastq
👏👏
Seqkitのほか、C やperl、pythonのbioformatsパッケージなど、 プログラミング言語を使って分けることも可能です。