在获得转录组测序数据后发现数据量太大了，例如一个人类的样本通常6G数据量就够分析使用，但下机的原始数据有10G，这该如何办呢？自己截取数据时如何保证随机性？双端测序的数据如何统一起来？

上述的需求，可以通过seqtk这个软件实现，例如下列代码：    

   seqtk sample -s seed_num input_file.R1 reads_num

   seqtk sample -s seed_num input_file.R2 reads_num

注意：

1.seed_num随便写，10或者100什么的都可以，但前后需要统一。这个只是告诉seqtk提取R2的时候和R1一致。

2.seqtk是按照reads数提取的，fastq文件4行是一条reads（不清楚fastq格式的话，可以去百度，很多介绍）。

3.seqtk可以直接处理.gz文件

来一条实践使用的代码，

seqtk sample -s 10 Sample_1.R1.fastq.gz 10000 > Sample_1_1w.R1.fastq

seqtk sample -s 10 Sample_1.R2.fastq.gz 10000 > Sample_1_1w.R2.fastq

数据量如何换算？？？好吧，看下面的公式：

   reads_num*reads_length*2

再进一步——

写一个简单脚本，可以实现同时处理多个样本，目标数据量为aim，而且每次提取数据时有上下0.25G的浮动（假设测序读长为125bp）。

首先，产生一个随机数 rdn=`shuf -i 1-2000000 -n1`

然后，生成reads_num  aim*4000000+rdn-1000000

然后seqtk sample -s seed_num input_file rn。

代码中 4000000、2000000和1000000 是如何来的？

1GB=1000000000bp

一条reads是125bp，双端数据就是250bp

所以aim*4000000就是你想要产生的目标数据量

rdn-1000000的范围是[-100000,1000000]，对应的GB数就是[-0.25,0.25]

自己想想，如果是X-TEN下机是数据，读长为150bp，该如何处理？

aim*3333333+rdn-1000000  ------------->  [-0.3,0.3]