【Linux】生物信息学Linux入门指南：从核心命令到实战应用

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：掌握Linux命令行操作是进行生物信息分析的关键基础。本文系统整理了在生物信息学研究中必须熟练使用的Linux核心命令，并结合实际应用场景详细说明其用途，帮助初学者快速入门并高效处理测序数据、基因组文件和注释信息等。

一、核心理念：以数据处理为导向的Linux使用观

不必对命令行感到畏惧。您的目标并非成为系统管理员，而是学会利用这些工具高效地处理生物数据，如FASTQ、GTF、SAM等文本格式文件。建议采用以下学习路径：

了解有哪些可用工具 → 明确何时使用它们 → 掌握如何组合多个命令完成复杂任务

文末将推荐一个实用的在线资源网站，便于随时查阅命令细节。

二、第一阶段：基础导航与文件管理——生存必备技能

这是登录远程服务器后最先需要掌握的操作集合，确保您能自如地浏览目录结构并管理文件。

1. pwd（Print Working Directory）

功能说明：显示当前所在目录的完整路径。

典型场景：当在深层目录中迷失位置时，使用该命令迅速确认当前位置。

2. ls（List）

功能说明：列出当前目录下的所有文件和子目录。

常用选项：

-l

以长列表形式展示（包含权限、所有者、大小、修改时间）

-h

与上述选项配合，使文件大小以K、M、G等人类可读单位显示

-a

显示包括隐藏文件在内的所有内容（隐藏文件通常以

.

开头）

示例命令：

ls -lh /home/user/data/  # 查看数据目录的详细内容

3. cd（Change Directory）

功能说明：切换当前工作目录。

关键用法：

cd ~

或

cd

：返回用户的家目录

cd ..

：进入上一级目录

cd -

：在最近两个目录之间快速切换

4. mkdir / rm（创建/删除目录）

功能说明：用于新建空目录或删除空目录。

重要参数：

mkdir -p

：支持一次性创建多级嵌套目录结构

使用示例：

mkdir -p project/{raw_data,scripts,results}

5. cp / mv / rm（复制 / 移动 / 删除）

功能说明：分别实现文件或目录的复制、移动（也可用于重命名）、删除操作。

极度重要提醒：Linux下删除操作不可恢复！不存在“回收站”机制！

安全操作建议：

• 执行

rm

• 前务必先用

ls

• 检查目标文件是否正确
• 使用

rm -i

• 启用交互式确认模式
• 删除目录时应使用

rm -r

• 递归删除；慎用

rm -rf

• 强制递归删除，极易误删

6. cat / less / head / tail（查看文件内容）

cat：适用于快速查看小文件内容，也常用于合并文件或输出重定向

less（最常用）：分页浏览大文件内容，支持上下滚动、搜索（按

/

输入关键词查找），退出方式为按

q

head / tail：分别查看文件开头或结尾的若干行，默认显示10行，可通过参数调整

三、第二阶段：文本处理利器——精准操控生物数据

生物信息学中的大多数数据均为纯文本格式（如FASTA、FASTQ、GTF、CSV等），以下命令将成为您处理这些数据的核心工具。

1. grep（Global Regular Expression Print）

功能说明：在文件中搜索指定字符串或正则表达式模式。

生物信息应用：从注释文件中提取特定基因条目、筛选日志中的错误信息、统计FASTA文件中的序列数量等。

常用选项：

-i

：忽略大小写进行匹配

-v

：反向选择，输出不匹配的行

-c

：仅返回匹配行的数量

-E

：启用扩展正则表达式语法

-w

：精确匹配整个单词

使用示例：

grep -c "^>" genome.fa  # 统计FASTA文件中的序列条数（以>开头的行）
grep -c 'R' plink.fam   # 统计plink.fam文件中包含'R'的行数

2. awk

功能说明：强大的列式文本分析工具，特别适合处理表格型数据（如制表符或空格分隔的文件）。

基本语法结构：

awk '模式 {动作}' 文件

应用场景：提取某一列数据、根据条件过滤记录、执行简单数值计算。

内置变量说明：

$1, $2, ... $NF

：代表第1列、第2列……直至最后一列

NR

：表示当前处理的行号

实例演示：

# 打印第1列和第3列，用制表符分隔
awk '{print $1, "\t", $3}' input.txt

# 输出第5列值大于0.05的所有行
awk '$5 > 0.05 {print $0}' differential_genes.txt

# 计算第2列的平均值
awk '{sum+=$2} END {print sum/NR}' data.txt

3. sed（Stream Editor）

功能说明：流编辑器，可用于查找替换、删除行、插入文本等自动化文本修改任务。

生物信息应用：批量重命名文件（结合循环脚本）、统一数据格式、字符替换（如标准化染色体命名）。

经典用法：

sed 's/old_string/new_string/g' input.txt > output.txt

将文件中所有的

old_string

替换为

new_string

其中

s

表示执行替换操作，

g

表示全局替换（每行多次替换）

4. cut / paste / sort / uniq / wc

cut：按列切割文本内容

cut -f 1,3 -d "," file.csv  # 用逗号分隔符，取第1,3列

sort：对文本行进行排序

-n

：启用数字排序而非字典序

-k

：指定依据哪一列进行排序

uniq：去除连续重复的行（需先排序）；常与sort联用去重：

sort file.txt | uniq -c  # 统计每个唯一项的出现次数

wc：统计文件的行数、词数和字节数

wc -l huge_file.fastq  # 快速知道你有多少条测序序列（行数/4）

四、第三阶段：提升效率——软件、权限与进程管理

1. 软件查找与管理（which，包管理工具）

which：查询某个命令或程序的安装路径

which bwa

生物信息推荐方案：优先使用 conda（推荐 mamba 加速）来安装和管理软件环境，它能自动解决复杂的依赖关系问题（初学者可暂不深入，后续再逐步掌握）

下载地址参考：

wget -c https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh
bash Anaconda3-2021.05-Linux-x86_64.sh

2. 文件权限设置（chmod, chown）

chmod：修改文件或目录的访问权限。例如，为脚本添加可执行权限：

chmod +x my_script.sh

3. 进程管理（ps、top、kill、nohup、&）

&：在命令末尾添加该符号，可使任务在后台运行，不占用当前终端。

nohup：使用此命令可让进程在用户退出登录后依然持续执行，常用于长时间运行的任务。

nohup command > output.log 2>&1 &

ps / top：用于查看系统中正在运行的进程状态及其对CPU、内存等资源的占用情况。其中ps适合查看瞬时状态，top则提供动态实时监控界面。

kill：通过指定进程ID（PID），可以终止某个正在运行的进程，是管理系统负载和异常任务的重要手段。

kill -9 PID  # 强制终止

4. 输入/输出重定向与管道（>、>>、|）

>：将命令的标准输出结果重定向至指定文件，并覆盖原文件内容。

>>：与“>”类似，但采用追加方式写入文件，不会删除已有内容。

|（管道）：【核心功能】将前一个命令的输出作为下一个命令的输入，实现多命令串联操作，极大提升处理效率。

例如在生物信息学分析中，常通过管道组合多个工具进行数据过滤与统计：

zcat reads.fastq.gz | head -n 400000 
# 解压、取前40万条序列、进行质控

五、学习路径建议

边用边学：无需死记硬背所有命令参数。从实际需求出发，比如：“我想查看测序数据（FASTQ格式）中的前几条序列”，然后逐步查找并应用相关命令。

组合使用：尝试将以下命令通过管道连接起来完成复杂任务：

grep

awk

sort

uniq

这种组合思维是掌握Linux操作的核心。

善用帮助文档：遇到不熟悉的命令时，可通过以下方式获取帮助信息：

man command

例如使用

man grep

来查阅详细的官方手册，或使用

command --help

以及

-h

获得简洁实用的快速参考。

编写Shell脚本：当你需要重复执行一系列相同命令时，就到了学习编写bash脚本的时候了。这是迈向自动化分析流程的第一步，推荐从简单脚本开始练习。

*.sh

六、经典综合示例

实现如下功能：统计某基因组文件中包含多少条染色体，并计算每条染色体上标记的数量分布。

# 假设文件是 dp4miss0.2.bim
# 1. 提取染色体
# 2. 计算每行染色体出现次数
# 3. 排序
# 4. 统计每个染色体出现的次数

cut -f 1 dp4miss0.2.bim |sort|uniq -c > chr.list

七、实战数据集推荐与练习

针对生物信息学初学者，建议从以下三类基础数据格式入手进行实操训练：

1. FASTA 格式数据（适用于 grep、awk 等命令练习）

数据来源：

• NCBI 数据集平台：
  https://www.ncbi.nlm.nih.gov/datasets/genome/GCA_029584285.1/

• Ensembl Plants：
  https://plants.ensembl.org/Setaria_italica/Info/Index

下载方式：支持手动下载或使用脚本自动获取，关键命令为 wget。

练习任务：

grep -c "^>" genome.fa

# 提取所有序列ID
grep "^>" genome.fa | sed 's/>//g'

# 计算总碱基数
grep -v "^>" genome.fa | tr -d '\n' | wc -c

#结果
grep -c "^>" genome.fa
9

grep "^>" genome.fa | sed 's/>//g'

1
2
3
4
5
6
7
8
9

grep -v "^>" genome.fa | tr -d '\n' | wc -c
422473852

2. FASTQ 格式数据（适合 awk 和管道操作练习）

数据来源：GEO数据库
访问地址：https://www.ncbi.nlm.nih.gov/geo/

下载流程：利用之前介绍的 wget 命令进行数据抓取。

推荐样本：ERR026544（金黄色葡萄球菌的测序数据）
测序平台：Illumina

# 1. 下载文件
wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/ERR026/ERR026544/ERR026544_1.fastq.gz

# 2. 查看基本信息
ls -lh ERR026544_1.fastq.gz
# 输出：-rw-r--r-- 1 user group 2.5M  ERR026544_1.fastq.gz

# 3. 解压（可选，很多工具可以直接处理gzip压缩文件）
gunzip ERR026544_1.fastq.gz

# 4. 查看文件内容
head -n 4 ERR026544_1.fastq
# 或不解压直接查看
zcat ERR026544_1.fastq.gz | head -n 4

# 5. 统计序列数
echo "序列数: $(( $(wc -l < ERR026544_1.fastq) / 4 ))"
# 或不解压统计
zcat ERR026544_1.fastq.gz | awk 'END{print NR/4}'

3. 注释文件（GTF/GFF 格式，适合 cut、sort、uniq 练习）

数据来源：可从 Ensembl 或 UCSC 下载标准基因注释文件（同上文链接）。

练习任务：

# 统计不同特征类型
cut -f 3 annotation.gtf | sort | uniq -c

# 提取特定染色体的注释
grep "^chr1\t" annotation.gtf > chr1_annotation.gtf

# 统计每个基因的外显子数
awk '$3=="exon" {print $10}' annotation.gtf | sort | uniq -c

八、常见问题与解决方案

Q1：如何查询某个命令的具体用法？

# 方法1：使用man手册
man grep

# 方法2：查看帮助信息
grep --help
# 或
grep -h

Q2：如何查看文件的开头几行或结尾几行内容？

# 查看前5行
head -n 5 file.txt

# 查看后5行
tail -n 5 file.txt

# 同时查看首尾
(head -n 10; tail -n 10) < file.txt

Q3：如何查找特定进程并将其终止？

# 终止进程（假设PID为12345）
kill 12345

# 强制终止
kill -9 12345

九、总结与进阶建议

最重要的一点是：勤于实践，敢于尝试（请确保在非关键数据环境中操作）。当遇到错误提示时，不要忽略，应仔细阅读报错信息，并将其作为关键词使用搜索引擎进行检索——这是解决技术难题的核心能力之一。

记住，在生物信息学领域，Linux命令行是一个强大的超级工具箱。每一个命令都是一件专用工具，而真正的技巧在于懂得如何将它们灵活组合，以应对具体的科研问题。

祝您在生物信息学的学习道路上不断进步！

提示：本文所列命令示例均已简化，实际应用中需根据具体场景调整参数。建议在虚拟机或测试服务器环境中先行练习，避免在生产系统中造成误操作。

下一期内容预告：
《生物信息学常用数据库完全指南》，将深入讲解 NCBI（美国）旗下的 SRA、GEO 等重要数据库的使用方法。

相关资源：
Linux命令速查表：https://www.runoob.com/linux/linux-command-manual.html

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Linux 生物信息 入门指南 Lin 信息学