数据处理脚本

统计数据集序列信息

介绍：

• 计算数据集中序列的信息（序列长度的最大值｜最小值｜总和｜平均值，序列条数，序列之间的相似度）
• 作出序列长度分布图和序列相似度分布图

用法：

python dataInfo.py input.fasta mafft datasetName

参数描述：

• input.fasta：待计算相似度的数据集，必须为fasta格式
• mafft：mafft路径，用于两两序列比对
• datasetName：数据集名称，用于命名序列信息文件
• datasetName.txt 序列基本信息（序列条数和长度）
• datasetName_Distri.png 序列长度分布图
• similarity_datasetName.txt 两两序列相比的相似度值
• similarity_datasetName.png 序列相似度分布图

源代码

处理非法字符的脚本

介绍：

• 用于处理多序列比对后的fasta文件
• 该脚本将RNA序列文件中的碱基“U”替换为“T”，并将非法字符（如“:”）替换为“N”
• 处理后的文件存储在 resultName_processed.fasta

用法：

python preprocess.py filepath resultName

参数描述：

• filepath：要处理的fasta文件的路径
• resultName：处理后的Fasta文件名

源代码

处理N的脚本

介绍：

在比对核苷酸的序列时，N的存在影响比对的难度。同时，不同的比对软件对于N的处理各不相同，得到的比对结果有的包含N，有的将N删掉了，难以比较软件的精度。该脚本处理数据后，可以降低比对的难度并统一比对后的结果，方便比较软件优劣。

• 比对前删除N
• 比对后插回N

用法：

# 使用前先编译
g++ deal_N.cpp -o xxx

# 以下内容是Unix系统的使用方法，在Windows系统下使用时仅将./xxx替换为xxx.exe即可

# 1 删除文件中的N并记录N的位置
./xxx -1 in_original.fasta out_removeN.fasta recordN.tmp

# 2 将N插入到比对结果中
./xxx -2 in_ans_withoutN.fasta out_ans_withN.fasta recordN.tmp

# 3 从源文件和结果文件中生成带有N的最终结果文件
./xxx -3 in_original.fasta in_ans_withoutN.fasta out_ans_withN.fasta

参数描述：

• -1｜-2｜-3：选择的功能号
• in_original.fasta：带N的比对前的数据
• out_removeN.fasta：删掉N的比对前的数据
• recordN.tmp：记录N的位置信息文件
• in_ans_withoutN.fasta：没有N的比对结果
• out_ans_withN.fasta：将N插回原位的比对结果

源代码