如何基于序列头拆分Dorado输出的未拆分Fastq文件？

方法1：用awk脚本拆分 #

dorado输出的Fastq序列头通常携带BC:Z:barcodeXX格式的Barcode标签，直接用awk即可按标签拆分：

awk '/^@/ {match($0, /BC:Z:(barcode[0-9]+)/, bc); if(bc[1] != "") {file=bc[1]".fastq"} else {file="unclassified.fastq"}} {print >> file; close(file)}' your_input.fastq

如果Barcode在序列头是其他格式（比如直接以barcodeXX作为前缀/后缀），可调整匹配逻辑：

awk '/^@/ {match($0, /barcode[0-9]+/, bc); if(bc[0] != "") {file=bc[0]".fastq"} else {file="unclassified.fastq"}} {print >> file; close(file)}' your_input.fastq

• 逻辑说明：识别以@开头的序列行，提取Barcode字段，将对应序列（含后续+行和质量行）写入barcodeXX.fastq，未识别到Barcode的序列归入unclassified.fastq。
• 注意：close(file)可避免系统打开过多文件句柄导致报错。

方法2：用seqkit工具拆分 #

seqkit是专门处理生物序列的工具，操作更简洁：

seqkit split2 your_input.fastq --by-id -p "BC:Z:(barcode[0-9]+)" -O split_barcode_output

• 参数说明：
  • --by-id：按序列头信息拆分
  • -p：指定匹配Barcode的正则表达式（按需调整）
  • -O：指定输出目录，程序会自动生成每个Barcode对应的Fastq文件，未匹配序列归入unclassified.fastq

前置检查 #

先通过head your_input.fastq查看序列头的具体格式，确认Barcode的标识方式，再调整正则表达式的匹配规则，确保拆分准确。

内容的提问来源于stack exchange，提问作者Desmodus1984