【3.2.3】利用NanoFilt对数据进行过滤

数据质控之后，我们得到nanopore数据长度和平均质量的分布，例如平均质量值低于Q7的占有多少比例。有了这些指标之后，接下来就可以对数据进行过滤了。数据类似于处理食材，需要将不好的食材去掉，这样才能做出精致可口的菜肴，所以，不懂计算机的生物学家不是一个好厨子。

一、安装NanoPlot

NanoFilt顾名思义，是用来过滤nanopore测序数据的，它来自于nanopack包，我们前面已经安装过，当时是在虚拟环境中安装的，现在要使用该软件，则需要进入虚拟环境中来使用。也可以单独安装。

#激活虚拟nanopack环境
conda activate nanopack
#如果没有安装，使用如下命令进行安装
conda install -c bioconda  nanofilt
#使用软件过滤数据
gunzip -c ../2.rawdata/minion/all.sra.fastq.gz | NanoFilt -q 7 -l 500 --headcrop 50 | gzip > clean.NanoFilt.fastq.gz
#退出虚拟环境
conda deactivate nanopack

二、利用NanoFilt过滤数据

nanopore过滤数据主要是过滤掉一些长度过短的序列，例如小于1000bp以下的，如果数据量比较大，足够用，可以提高一下过滤标准。另外就是过滤掉平均质量较低的，比如一条测序数据，平均测序数据质量小于Q7 ，则将整条去掉。有些情况下，头部可能还含有一些adapter序列或者尾部质量较差，也可以剪掉头尾一部分序列。具体如何过滤需要针对不同的序列采用不同的策略，如果结果不好，需要修改条件重新过滤数据。

三、使用案例

由于NanoFilt软件目前不能处理压缩格式文件，因此我们需要使用gzip命令管道符来进行操作。

gunzip -c ../2.rawdata/minion/all.fastq.gz | NanoFilt -q 7 -l 1000 --headcrop 50 --tailcrop  50| gzip > clean.NanoFilt.fastq.gz

选项参数：

-l ,--length :过滤掉小于此长度的序列
--maxlength ：过滤掉超过此长度的序列
-q , --quality ：过滤掉低质量序列
--minGC：过滤掉GC含量小于此百分比的序列
--maxGC：过滤掉GC含量大于此百分比的序列
--headcrop：从头部切掉n bp
--tailcrop：尾部切掉n bp

结果解读：

输入一个压缩格式的fastq文件，结果软件处理，已经将长度小于1000，同时整条序列平均质量值小于Q7的过滤掉，同时将每条序列首位各剪掉50bp。这些剩余的序列则为“clean data”。可以使用NanoPlot重新进行一下质控。

参考资料

• https://mp.weixin.qq.com/s?__biz=MzI2MjA1MDQxMg==&mid=2649709950&idx=1&sn=3fd58d3b8c24e036d65d90b00ed0a829&chksm=f24afa7dc53d736b1ddf6bb223d8a1e5d64c21d9f31f3a12c058b4916a0c5b985959aecc6e30&scene=21%23wechat_redirect