Heute habe ich ein Bash-Skript geschrieben, das eine zufällige Teilmenge aus einem Paired-End-FASTQ-Dateipaar erzeugt. Es braucht als Eingabe die Namen der beiden FASTQ-Dateien und die Anzahl der Reads, die die Stichprobe haben soll.
Das Skript beruht im Wesentlichen auf diesem Blogbeitrag. Der Code ist eher grob, könnte benutzerfreundlicher sein und mehr Optionen bieten, aber in seiner jetzigen Form tut er, was ich brauche.
#!/bin/bash
round() {
printf "%.2f" "$1"
}
file1=$1
file2=$2
sample=$3
# Input test
if ! [[ $sample =~ ^-?[0-9]+([.][0-9]+)?$ ]]; then
>&2 echo "$sample is not a number"; exit 1;
fi
extension1="${file1##*.}"
extension2="${file2##*.}"
filename1="${file1%.*}"
filename2="${file2%.*}"
fn1=$filename1"_"$sample".fastq"
fn2=$filename2"_"$sample".fastq"
if [ $extension1 == "gz" ]; then
gunzip $file1;
file1=$filename1;
filename1="${file1%.*}"
fn1=$filename1"_"$sample".fastq"
fi
if [ $extension2 == "gz" ]; then
gunzip $file2;
file2=$filename2;
filename2="${file2%.*}"
fn2=$filename2"_"$sample".fastq"
fi
lines=$(wc -l < $file1)
echo $lines
echo $sample
if (( $(awk 'BEGIN {print ("'$sample'" <= 1)}') )); then
sample=$(awk 'BEGIN {printf("%.0f", "'$sample'" * "'$lines'")}')
fi
echo $sample
paste $file1 $file1 | \
awk '{ printf("%s",$0); n++; if(n%4==0) { printf("\n");} else { printf("\t");} }' | \
awk -v k=$sample 'BEGIN{srand(systime() + PROCINFO["pid"]); }{ s=x++<k?x- 1:int(rand()*x);
if(s<k)R[s]=$0}END{for(i in R)print R[i]}' | \
awk -F"\t" -v file1=$fn1 -v file2=$fn2 '{print $1"\n"$3"\n"$5"\n"$7 > file1;\
print $2"\n"$4"\n"$6"\n"$8 > file2}'
if [ $extension1 == "gz" ]; then
gzip $fn1;
gzip $file1;
fi
if [ $extension2 == "gz" ]; then
gzip $fn2;
gzip $file2;
fi


