文章目录

• 膜拜
• bioawk简介
• * 安装
  • * 分步安装
    • 一步安装脚本
  • 使用
  • * 语法
    • 实例
• Reference

作者：余涛 email：yutao@big.ac.cn 中国科学院大学

膜拜

做生信的应该没有人不知道李恒大神了，鼎鼎大名的BWA在2009年到2019年短短10年的引用次数已经接近20K了，这样的引用次数对于生物软件来说绝对是数一数二的了。除此之外，Samtools、MAQ、TreeFam等也都是他的杰作。下面是李恒大神入主华大基因跟汪建大佬的合影（左边就是李恒了，略带羞涩啊）。

bioawk简介

bioawk是李恒大神应广大生信猿呼声做出的出于awk又胜于awk的超级好用生物序列处理软件。bioawk是用C写的，用法和awk基本一样。

安装

分步安装

 $ sudo apt-get install byacc git    #安装git
 $ git clone git://github.com/lh3/bioawk.git  #默认安装在当前目录
 git clone git://github.com/lh3/bioawk.git ${path}/bioawk #若加path则必须为空，因此可在想要安装的目录下起一个新名称，git会clone到其下
 $ cd bioawk
 $ make
 $ echo "export PATH=${path}/bioawk/:\${PATH}" >> ~/.bashrc  
 $ .  ~/.bashrc 

一步安装脚本

#!/bin/bash
read -p  'Input installed  path: ' tmp_path
path=${tmp_path/\//}
if [ ! -d "${path}" ];then echo "No such file:${path}" && exit ;fi
git clone git://github.com/lh3/bioawk.git ${path}/bioawk && \ cd ${path}/bioawk && make && \
echo "export PATH=${path}/bioawk/:\${PATH}" >> ~/.bashrc  && .  ~/.bashrc && \
echo 'Successfully install bioawk!' || echo 'Failed install bioawk'

使用

bioawk基本思想是把组成不同类型的文件（sam、bam、fasta、fastq、vcf）的基本元素封装成变量，直接调用即可。

语法

bioawk
usage: bioawk [-F fs] [-v var=value] [-c fmt] [-tH] [-f progfile | 'prog'] [file ...]

-c 支持输入文件格式，查看帮助：

    bioawk -c -h

• bed:
  1:chrom 2:start 3:end 4:name 5:score 6:strand 7:thickstart 8:thickend 9:rgb 10:blockcount 11:blocksizes 12:blockstarts
• sam:
  1:qname 2:flag 3:rname 4:pos 5:mapq 6:cigar 7:rnext 8:pnext 9:tlen 10:seq 11:qual
• vcf:
  1:chrom 2:pos 3:id 4:ref 5:alt 6:qual 7:filter 8:info
• gff:
  1:seqname 2:source 3:feature 4:start 5:end 6:score 7:strand 8:frame 9:attribute
• fastx:
  1:name 2:seq 3:qual 4:comment**
  上面出现的名称即可引用其变量

实例

• 打印fasta序列ID、序列、长度、GC含量

  bioawk -cfastx '{print "ID: "$name"\tlength: "length($seq)"\tGC: "gc($seq)"\t"$seq}' demo.fa

结果:
ID: g1 length: 18 GC: 0.722222 atcccccccccccccttt
ID: g2 length: 26 GC: 0.0769231 cattatatcttatttttttttttttt
ID: g3 length: 48 GC: 0.229167 acccccccccctttttttttttttcatttttttttttttttttttttt
原始文件：
>g1
atcccccccccccccttt
>g2 enzyme
cattatatcttatttttttttttttt
>g3
accccccccccttttttttttttt
catttttttttttttttttttttt
注意：
可以看到bioawk在提取ID的时候只提取了空格分隔后的第一个字段，默认输出域分割符是\t，实际后面的存在$comment中

• 输出反向互补序列

  bioawk -cfastx '{print $name,$seq,revcomp($seq)}' demo.fa

结果：
g1 atcccccccccccccttt aaagggggggggggggat
g2 cattatatcttatttttttttttttt aaaaaaaaaaaaaataagatataatg
g3 acccccccccctttttttttttttcatttttttttttttttttttttt aaaaaaaaaaaaaaaaaaaaaatgaaaaaaaaaaaaaggggggggggt

• 根据序列ID提取序列，这个是最爱的功能

  bioawk -cfastx 'BEGIN{while((getline k <"id.txt")>0)i[k]=1}{if(i[$name])print ">"$name"\n"$seq}' demo.fa

id.txt:
g1
g2
g2 enzyme
>g3

结果：
>g1
atcccccccccccccttt
>g2
cattatatcttatttttttttttttt
注意：id.txt 需要去掉>
当然还有其他的花样，大家自己去探索吧

Reference

https://github.com/lh3/bioawk