title: "Linux bioawk 사용법"
cleanUrl: "learn-bioawk"
description: "생물정보학 파일 포맷 처리를 간편하게 해 주는 bioawk 사용법에 대해 정리합니다."

생물정보 데이터는 기본적으로 줄 기반 텍스트 데이터인 경우가 많다. 그래서 간단한 데이터 처리는 따로 스크립트를 짜지 않고 awk, sed 등 줄 단위로 빠르게 연산 가능한 리눅스 커맨드들을 pipe (|)로 연결해서 이용하는 편이 코딩 시간, 분석 속도 면에서 가장 빠른 편이다.

다만 코드가 간결할수록 좋은 리눅스 커맨드들의 특성 상, sam, vcf, bed, gff, fasta, fastq 등 루틴하게 자주 사용하는 데이터들을 파싱하는 boilerplate들을 직접 매번 구현하는 것은 조금 귀찮다. 그래서 오히려 스크립트를 짜는 쪽이 덜 번거로운 경우가 많더라.

bioawk는 이러한 문제를 해결해주는 좋은 도구이다. 알아두면 간단한 분석 할 때 편하다!

https://github.com/lh3/bioawk

요약

• bioawk는 생물정보학 분석에서 주로 사용되는 일부 파일 포맷들을 자동으로 파싱하여 awk를 사용할 수 있게 해 주는 도구이다.
  • -c [file format] 처럼 파일 포맷을 지정한다.
  • bioawk -c help 로 지원되는 파일 포맷을 확인할 수 있다. (sam, vcf, bed, gff, fastx 정도 지원)
• 참고: BAM 파일은 지원 안해서, samtools view로 출력해서 넘겨줘야 함.
• 컬럼명이 있는 Tab-delimited 테이블이 있을 때, awk 변수로 컬럼명을 이용할 수 있는 기능도 있다.

설치

$ conda install -c bioconda bioawk

Quickstart

Fasta 파일

• FASTA 내의 DNA 서열을 reverse complement한다. (gzipped fasta 처리 가능)
  • $name, $seq 변수, revcomp 함수 사용. (AGCTU → AAGCT 로 변환해줌.)
  • 주의) Protein 서열이어도 따로 오류를 출력하지 않고 revcomp 해 준다. DNA/RNA 인지 미리 체크하고 사용하자.

$ bioawk -c fastx '{print ">"$name; revcomp($seq)}' seq.fa.gz

• FASTA 내의 서열의 이름과 길이를 출력한다.

$ bioawk -c fastx '{print ">"$name; print length($seq)}' seq.fa.gz

• 출력

SAM/BAM 파일

• SAM 파일에서 mapped read만 뽑아내기 (Header 출력 안함)
  • $flag 변수 사용