如何找到基因组中的模糊碱基呢

之前的我发现基因组不仅存在ATCG和表示Gap的N，还有一些模糊序列，用来表示两种或两种以上的碱基。

对于这些序列，我有以下几个问题：

解决这个问题通常有以下两个思路：

而这里，我会用一个大家都想不到的工具来解答这些问题，这个工具就是我们经常用于二代序列回帖的BWA。

通常而言，我们使用bwa index建立索引，建立完索引之后，我们就直接用索引进行比对，而不会在乎索引文件。bwa index建立完索引之后，会得到5个文件，分别是amb, ann, bwt, pac,sa. 而amb就是我们所需的文件，amb是ambiguous的缩写，也就是模糊之意。

当我们对拟南芥的基因组建立索引之后，然后用less打开以amb结尾的文件，你会得到如下信息。

第一行表示，序列长度为119667750, 一共有7条，共563个模糊序列。

从第二行开始，分别记录着模糊序列的位置，它的长度，以及它的碱基信息。

通过Linux的基本文本操作，我们可以知道拟南芥一共有165个gap，占185,738 bp

cat Athaliana.amb | grep 'N$' | wc -l#165cat Athaliana.amb | grep 'N$' | datamash -t ' ' sum 2# 185738

这些碱基的具体位置，需要用ann文件进行解读，因为amb并非以chr:start-end形式进行记录，而是将所有序列从头到尾合并之后的结果。

第一行记录的是碱基总数，染色体数，随机数种子(seed), 后续的每两行为一个记录，第一行记录染色体编号信息，第二行记录染色体的偏移起始和结束位置，以及模糊碱基数。

WGCNA分析是如何找出基因模块的？