Difference between revisions of "Biolinux Source course"

From wiki
Jump to: navigation, search
(Created page with "<div id="page1-div" style="position:relative;width:892px;height:1263px;"> '''Introduction to''' '''For Bio-Linux 8''' '''January 2015'''       Website[http://neb...")
(No difference)

Revision as of 16:19, 14 April 2017

Introduction to

For Bio-Linux 8

January 2015

  

  

Website: http://

[1]

environmentalomics.org

[2]

/bio-linux

Email:helpdesk@nebc.nerc.ac.uk


Table of Contents

PART ONE: INTRODUCTION TO THE BIO-LINUX 8 SYSTEM……………………………………..1
Logging in and exploring the Bio-Linux desktop…………………………………………………………………………………………………1

Running applications……………………………………………………………………………………………………………………………………….3
Finding files and drives……………………………………………………………………………………………………………………………………3
Setting things up……………………………………………………………………………………………………………………………………………..4

Finding your way on the system…………………………………………………………………………………………………………………………7

The Root Folder………………………………………………………………………………………………………………………………………………..7

Using the command shell……………………………………………………………………………………………………………………………………8

Anatomy of a Command………………………………………………………………………………………………………………………………….9
Listing files in a directory………………………………………………………………………………………………………………………………10
Learning about Linux commands…………………………………………………………………………………………………………………….11
Basic Linux tips for filenames………………………………………………………………………………………………………………………..12
Getting the prompt back when running graphical applications from the terminal………………………………………………….12
Linux shorthand and shortcuts………………………………………………………………………………………………………………………..13

More Basic Linux Commands………………………………………………………………………………………………………………………….13

Changing directories……………………………………………………………………………………………………………………………………..14
Tab completion……………………………………………………………………………………………………………………………………………..15

Command history…………………………………………………………………………………………………………………………………………….17

Making a directory………………………………………………………………………………………………………………………………………..17

Office software………………………………………………………………………………………………………………………………………………..18

Using text editors……………………………………………………………………………………………………………………………………………..19

Nano……………………………………………………………………………………………………………………………………………………………19
Gedit……………………………………………………………………………………………………………………………………………………………19

Reading text files……………………………………………………………………………………………………………………………………………..20

An important note on line endings – CR and LF……………………………………………………………………………………………….21

Copying files……………………………………………………………………………………………………………………………………………………22

Linking to files…………………………………………………………………………………………………………………………………………………23

Removing files and directories………………………………………………………………………………………………………………………….24

Redirecting output to files………………………………………………………………………………………………………………………………..25

Piping output between applications………………………………………………………………………………………………………………….26

Diff, Grep and Sort………………………………………………………………………………………………………………………………………….27

Diff……………………………………………………………………………………………………………………………………………………………..27
Grep…………………………………………………………………………………………………………………………………………………………….27

Environment Variables…………………………………………………………………………………………………………………………………….29

Changing permissions on files and directories…………………………………………………………………………………………………..30

Some other useful information…………………………………………………………………………………………………………………………31

Copying and pasting text………………………………………………………………………………………………………………………………..31
The simple way to stop a process…………………………………………………………………………………………………………………….31
Putting a command to one side……………………………………………………………………………………………………………………….31
Logging out of a session………………………………………………………………………………………………………………………………..31
Clearing your terminal of text…………………………………………………………………………………………………………………………31
Accessing a running program or working with others interactively……………………………………………………………………..32
Accessing your machine – including a full graphical desktop - remotely……………………………………………………………..32

PART TWO: INTRODUCTION TO BIOINFORMATICS ON BIO-LINUX………………………..33
Documentation and Help for Bioinformatics Software on Bio-Linux…………………………………………………………………33

Bio-Linux Bioinformatics Documentation……………………………………………………………………………………………………….33
Help Functions within the Programs………………………………………………………………………………………………………………..34


Example data for this tutorial…………………………………………………………………………………………………………………………..34

Interface choices………………………………………………………………………………………………………………………………………………35

General points about working with bioinformatics programs……………………………………………………………………………36

Sequence formats………………………………………………………………………………………………………………………………………….36
File naming conventions in bioinformatics……………………………………………………………………………………………………….37
Naming files and the danger of over-writing previous results……………………………………………………………………………..39
A common problem: what is a text file and what is not………………………………………………………………………………………39
GZipped files in bioinformatics………………………………………………………………………………………………………………………40

EXAMPLES OF RUNNING BIOINFORMATICS PROGRAMS ON BIO-LINUX………………41
Analysing sequences with QIIME…………………………………………………………………………………………………………………….41

Preparation…………………………………………………………………………………………………………………………………………………..42
Assign Samples to Multiplex Reads………………………………………………………………………………………………………………..42
Processing sequences into OTUs…………………………………………………………………………………………………………………….43
Data to information……………………………………………………………………………………………………………………………………….44

Heatmap………………………………………………………………………………………………………………………………………………….45
Taxonomy Summary Charts……………………………………………………………………………………………………………………….45

Diversity………………………………………………………………………………………………………………………………………………………45

Alpha………………………………………………………………………………………………………………………………………………………45
Beta…………………………………………………………………………………………………………………………………………………………45
Inter-Sample Distance……………………………………………………………………………………………………………………………….46
Jackknifing & UPGMA……………………………………………………………………………………………………………………………..46

Analysing sequences with MOTHUR………………………………………………………………………………………………………………..47

Preparation…………………………………………………………………………………………………………………………………………………..47
Assign Samples to Multiplex Reads and Quality Filtering………………………………………………………………………………….48
Generating Alignment & Distance Matrix………………………………………………………………………………………………………..48
Classify Sequences………………………………………………………………………………………………………………………………………..49
Renaming Files……………………………………………………………………………………………………………………………………………..49
Clustering Sequences…………………………………………………………………………………………………………………………………….49
Generating OTU Table and Normalisation……………………………………………………………………………………………………….49
Classifying OTU…………………………………………………………………………………………………………………………………………..50
Converting the shared file to BIOM-format………………………………………………………………………………………………………50
Data to information……………………………………………………………………………………………………………………………………….50

Heatmap………………………………………………………………………………………………………………………………………………….50
Venn Diagram…………………………………………………………………………………………………………………………………………..50

Finding and running useful scripts…………………………………………………………………………………………………………………..51

Aligning sequences using MUSCLE………………………………………………………………………………………………………………….51

BLAST……………………………………………………………………………………………………………………………………………………………53

A few examples of ways to run BLAST, on Bio-Linux or otherwise……………………………………………………………….53
What this course covers……………………………………………………………………………………………………………………………..53
Why use BLAST on the command line?………………………………………………………………………………………………………53
General considerations for database searching……………………………………………………………………………………………..54
A very, very brief introduction to BLAST+………………………………………………………………………………………………….54
How a BLAST database looks on the file system………………………………………………………………………………………….55
A simple blastp search……………………………………………………………………………………………………………………………….55
Formatting BLAST output…………………………………………………………………………………………………………………………56
Handling multiple sequences……………………………………………………………………………………………………………………..57

BLAST searching using fasta files containing more than one sequence……………………………………………………….57

Processing multiple files using a foreach loop……………………………………………………………………………………………………57

Working with lots of BLAST results……………………………………………………………………………………………………………61

EMBOSS Programs…………………………………………………………………………………………………………………………………………62

Ways to run EMBOSS programs:……………………………………………………………………………………………………………….62

A comparison of the Jemboss and command line interfaces for EMBOSS programs…………………………………….63

Working with EMBOSS programs………………………………………………………………………………………………………………63
Using the EMBOSS command line……………………………………………………………………………………………………………..65

A very basic sequence assembly………………………………………………………………………………………………………………………..69

Quality Checking………………………………………………………………………………………………………………………………………69
Split Barcodes………………………………………………………………………………………………………………………………………….69


Clean Up………………………………………………………………………………………………………………………………………………….70
Assembly With Velvet……………………………………………………………………………………………………………………………….71
Assembly With Abyss……………………………………………………………………………………………………………………………….71
Assessing The Assemblies………………………………………………………………………………………………………………………….72
Adding Some Annotation…………………………………………………………………………………………………………………………..72

Artemis……………………………………………………………………………………………………………………………………………………………73

Ways to run Artemis:…………………………………………………………………………………………………………………………………73

Appendix A – BLAST references and documentation………………………………………………………………………………………..75

Web pages……………………………………………………………………………………………………………………………………………………75
References……………………………………………………………………………………………………………………………………………………75

Appendix B – Creating local BLAST databases………………………………………………………………………………………………..76

Obtaining local BLAST databases………………………………………………………………………………………………………………76
Building BLAST indices from local sequence files……………………………………………………………………………………….77

Appendix C - Cheat sheet of basic Linux commands…………………………………………………………………………………………79

Copyright and redistribution:
This document is the work of many authors over many years.  Unless otherwise stated the material is Copyright NERC.  
You may redistribute the complete document and its associated files without restriction in any format.
If you re-use substantial portions of this text in derivative works you must acknowledge the authors (CC-BY).  We would
also appreciate you letting us know if you re-use our stuff.
If you use Bio-Linux for your science, please cite us!  See the website for further info.


Part One: Introduction to the Bio-Linux 8 System

Logging in and exploring the Bio-Linux desktop

You can log into your Bio-Linux machine locally or over the network, on a fully installed system or a Virtual
Machine or on a system running Live from a USB memory stick or a DVD. 

These course notes are written from the perspective of someone running the Live version of the system – that
is, having booted a PC directly from a USB memory stick and selected “Try Bio-Linux”. The main 
differences for people working on an installed system will be the name of the account you are logged into 
and what privileges that particular user account has. For example, the user of the Live system always has full
administrative privileges.  So don’t worry if you find small differences between what is described here and 
what you see on your system.

Please refer to our on-line document about various ways you can set up a Bio-Linux system:

http://environmentalomics.org/bio-linux-installation

If you are booting the machine from a DVD or a USB memory stick, when prompted, select

Option 1:  Try Bio-Linux

After the system has started up, you will see the Bio-Linux desktop (Figure 1).

1

Figure 1: A view of the Bio-Linux 8 desktop


There are three icons on the desktop

Install Bio-Linux 8

On the Live System only – click this icon to start the Bio-Linux installer

Bio-Linux Documentation Opens a menu of links as follows:

NEBC Homepage

Opens the NEBC home page in a web browser

User Guide

Opens the Bio-Linux Userguide – a basic introduction to system admin

Introductory Tutorial Opens the folder of Introductory Bio-Linux tutorials and data files

Bioinformatics Docs Shows the NEBC Bio-Linux Bioinformatics Documentation System

Sample Data

Provides access to much sample data to help you in trying out new 

software

On the left of the screen you will see the Dash, which is used to launch and organize applications.  The 
dash is populated by a column of large button icons.  The Dash Button at the top with the Ubuntu logo

 brings up the main Dash panel to find files and applications (see below).  The other icons are, by 

default, from the top:

1.

Open your home folder

2.

Launch Firefox web browser

3.

Launch Evolution mail reader

4.

LibreOffice Writer word processor

5.

LibreOffice Calc spreadsheet

6.

LibreOffice Impress presentation editor

8. Shell Terminal

9. Ubuntu Software Centre (find and install 

apps)

10. System Settings and User Preferences

11. Virtual Desktop Switcher

12. Disks and USB removable media

13. Rubbish Bin (deleted files area)

On the top of the screen you will see the menu and panel bar (Figure 2).

Figure 2: The menu and panel bar, found at the top of the screen.
If you open an application window, the name of the active application will appear in the left portion of this 
bar.  If you move the mouse over it, a context menu for the active window will appear (like on Apple Mac).  
The right portion of the bar has a panel of icons to control some system settings.

From left to right, the things you see in the panel area above are:

1. Network monitor and setup (the icon shown 

indicates WiFi is active – you may see others)

2. Keyboard selector (defaults to UK keyboard)
3. Battery monitor (on laptops only)

4. Audio volume control
5. Wall clock (click it for a calendar)
6. System menu (includes access to system 

settings and options to lock screen, switch 
user, shut down, etc.)

2


Running applications
Clicking the Dash Button at the top left of the screen opens a panel where you can search for applications 
and files on the system.  This includes bioinformatics tools and any other applications you have installed. 
Start typing either the application name or a keyword, or select the DNA icon at the bottom (circled in the 
image) to see a list of bioinformatics tools and resources.

Figure 3: Searching for applications in the Dash

The applications found in the menu are by no means all the means all those found on the system.  Most 
bioinformatics applications need to be run from the terminal as detailed at length in this tutorial.

Finding files and drives
The file cabinet icon near the top of the Dash takes you directly to your Home folder. 

Figure 4: Your home folder

3


Your personal Desktop, and folders in your Home area called Documents, Pictures, Videos, etc. are listed.  
You can use these or else create your own folders as you wish.
The file browser provides convenient shortcuts to these directories in the left pane, even if you are viewing 
another folder in the main panel.
Devices recognized by your system such as the disk drives, CD/DVD devices, USB sticks, etc. are listed at 
the bottom of the left pane.  Removable media can be ejected by clicking the icon next to the device name.
Networks resources can be accessed through the Browse Network icon.  This includes Windows network 
shares using the CIFS protocol and files on other Bio-Linux machines if you can access them via the SFTP 
protocol.  Browsing regular FTP servers is also supported.
Note: The Dash also has a file and media finder, as seen on the previous page, selected by clicking the 
Ubuntu button at the top left to bring up the Dash console and then selecting one of the little white icons 
from along the bottom of the window.

Setting things up

The System settings icon 

 allows you to customise

and administer your system (Figure 6) in various ways.

The Personal area is used for customising a variety of
attributes relating to your personal preferences.

The Hardware and System areas allow you to do things such
as configuring hardware drivers, changing firewall settings,
administering users and groups, and managing the packages on
your system.

Other features - Virtual Desktops etc.

The icon that looks like this: 

 allows you to switch

“virtual desktops”. Unlike Windows, Linux by default gives you access to multiple desktop areas. This 
allows you to have windows open for different things in different virtual desktops. For example, if you were 
working on writing an article, you could have programs relevant to that work open and visible via one of 
these desktops. Meanwhile, you could have programs related to sequence analysis open on another desktop, 
and so on. This is a great tool for keeping things organised during your working day. Clicking the icon will 
zoom out to show an overview of all desktops.  You can also switch quickly by holding down Ctrl+Alt and 
tapping the arrow keys on the keyboard.

The Deleted Items Folder icon 

 (also commonly referred to as a Rubbish Bin or Trashcan) is the 

bottom icon the Dash. This is where files deleted in the file browser usually end up. This gives you a chance 
to salvage them if you deleted them by mistake. Deleting files on the system is covered in more detail in the 
Removing Files and Directories section of this tutorial.

4

Figure 5: The System Settings Window


Exercise 1-1

 

a) Exploring the desktop

Take some time to explore the desktop. Look at the options under each of the icons covered in the previous 
section, and try the various subsections in the Dash console.

 Try clicking the icons on the desktop. Also try 

using the right and middle mouse buttons when the mouse pointer is over the icons in the Dash and explore 
the menus presented to you.

Try going to a different virtual desktop and starting up some windows/applications there.  Try moving 
windows off one desktop area and onto another.

b) Obtaining the example files for this tutorial

The sample files referred to in this tutorial can be found on the system as a compressed package file.  You’ll
need to copy and unpack them before proceeding.

Copying the compressed file from the tutorials folder on the system

Double-click the Bio-Linux Documentation icon on the desktop

Open the Introductory Tutorial

Drag the bioinf_files.tar.gz file to the left and drop it over the word Home to copy it to your home 

folder.

Note that a copy of this file can also be found online if you need it for some reason.

http://nebc.nerc.ac.uk/downloads/courses/Bio-Linux/bioinf_files.tar.gz

c) Extracting the files from the compressed tarball

The file you just downloaded is referred to as a tar file or tarball. Tar is a utility similar to Winzip; it 
makes package of files. The extra .gz extension shows that the gzip method has been used to compress the 
tar file. 

Here are two equivalent options for how to unpack these files, one on the command line and one graphical. 
Both should produce the same result.

Option 1 –  extracting via the command line

Open a new terminal by clicking the icon in the dash —>

Type the following at the command prompt and press the enter key :

tar  -xz   -f  bioinf_files.tar.gz

This command uncompresses and unpacks the contents of the tar file into your current working directory,
which in this case is your home folder.  You should then see a new prompt, just like this:

5


(exercise 1-1 continued)

If you see an error, try typing the command again, making sure it is exactly as shown above including 
spaces, hyphens, underscores, etc.  If the error says “No such file or directory ” then check you really did
copy the file in step (b) above.  You can confirm the extraction worked by looking in the file browser or 
using the ls command.

 

Option 2 –  extracting via a graphical interface

But don’t use this version – we’re trying to learn about the command line here!!

Open your Home Folder by clicking the file cabinet icon in the Dash.

Click the right mouse button over the bioinf_files.tar.gz file and select Extract Here.

d) Re-visiting the command above

Press the up arrow key while in the terminal.  The previous command should re-appear for you to edit.  
You can move the cursor left and right using the keyboard but don’t try to move it with the mouse – that 
won’t work.
Edit the command by adding an extra ’v’ righ after ’-xz’ so that the full command reads:

tar  -xzv  -f  bioinf_files.tar.gz

Hit the enter key to run it.  You don’t need to scroll the cursor back the end before you do this.  What is 
the result this time?

The letters after the hyphens are parameters of the tar command: x means “unpack/extract”, the z means 
“the file should be uncompressed with gzip”, the f indicates the file to unpack, and the v you just added 
means “be verbose”.  Therefore on this occasion you should have seen a list of the files being unpacked.

This is a common behavior for many Linux commands.  If the command runs successfully without errors
it says nothing and just goes right back to the prompt.  If you want the command to tell you what it is 
doing, adding -v makes it verbose, otherwise you may assume that “no news is good news”.

The use of the cursor keys to re-visit commands is a major time-saver in the terminal and you must get in
the habit of doing this.  The other major time-saver is Tab completion which we will come to soon.

e) Removing the compressed tarball

The unpacked files that you will be working with in this tutorial are now in a directory called bioinf_files

You can remove the compressed tar file now if you wish. Again, this can be done via the command line or 
using the graphical file browser but we’ll stick with the command line version. More details about how to 
remove files from the system are covered in the Removing Files and Directories part of this tutorial. 

Open a terminal window if you don’t have one already.

Type the following into the terminal, then press Enter:

rm bioinf_files.tar.gz 

Enter “y” to agree when you are asked if you wish to delete the file. 

6


Finding your way on the system

In Linux/Unix systems, documents are usually referred to as files, and file folders are referred to as 
directories.  

Your Bio-Linux file system can be thought of as a huge file folder (directory), inside of which are many 
other file folders (directories). Inside these there are more nested file folders (directories), and so on. As in 
the real world, where file folders can contain documents and other file folders, in Linux directories can 
contain files and other directories.  The hierarchy of folders is called the directory tree.

Your personal Home folder is one directory within the tree of directories that make up your Bio-Linux 
machine. In your account, you can create other directories, store data, run programs, etc. A graphical view of 
your home directory is available by clicking on the file cabinet Files icon in the Dash toolbar (Figure 5). This
opens up a window that shows the files and directories in your Home.  The full name of this folder on the 
system is /home/live, ie. a directory named after the login account, live, within the top-level directory named
/home, but the graphical file browser just shows it as Home.

Linux enforces file permissions depending on the login account.  By default on Bio-Linux, your account has 
the right to create, delete and edit files in your own Home folder, but not in other people’s accounts or in 
system directories. You can be given permission (or give yourself permission, if it’s your system) to work on 
files in such areas, and some information on setting file permissions is given later in this course. Your system
administrator or local IT support should be able to help you with sharing files if they are on a shared server.

You can use the graphical file browser to explore directory areas on the machine, and to move around in your
own files.  It allows you to accomplish most typical file operation, including opening files and copying, 
moving or deleting files using drag and drop or copy/cut/paste.   To view areas of the system outside your 
Home directory, click on Computer under Devices in the left hand pane to see the root directory of the 
system.

Exercise 1-2

If you have not done so already, click on the filing cabinet Files icon near the top of the Dash

Double-click on the bioinf_files directory that you unpacked in Exercise 1-1, to view the contents

Investigate the options under the file browser menus.  These appear on the bar at the very top of the 

screen.

Click on the Computer icon in the left panel. This allows you to see the root directory – the base of the

whole filesystem hierarchy.

Find the folder called home and double click on it.

You should see a single folder called live listed.  Select this to get back to your Home folder.  If you 

are not working on a live-booted system you should see a folder with your username, and other user 
folders may also listed. A lock symbol on a folder would inform you that you do not have permission to 
view the contents of that folder.

The Root Folder

The name of the base directory of the whole system, the one within which every file on the system  is 
contained, is the root directory. It is referred to by a single forward slash  “ ”.

When you work in the graphical file browser it shows your location relative to your Home folder, unless you 
are looking at files outside your Home in which case it shows the location relative to the root.  You should 
have seen how the location changed as you browsed folders in exercise 1-2.

7

Figure 6: Location path for Templates folder in File Browser view.


Your personal home folder (actually called live but labeled as Home), sits within the directory called home 
(with a small h), that contains homes for all users. This directory home is under the root directory, 
represented by a tiny picture of a disk in the graphical view or a single forward slash in the terminal.  

In other words, this information tells you where you are in system.

The location of a file or directory within the system is its path. If you are asked for the full path or absolute 
path to a file, you need to provide a complete listing of all the directories traversed on the system to get to 
that file. That is, you need to give the full path from the root directory to that file.  The path is written by 
starting with a  forward''' slash “/” then listing the names of the directories you need to traverse in the system 
to find that file, with each directory name separated with another forward slash.

To see the full path in the conventional format most command-line programs would expect you to provide, 
press Ctrl-L while viewing a File Browser window. You should see something like this:

To summarize the syntax provided in Figures 9 and 10:

/home

home is a directory located within the root directory

/home/live

live  is a directory within the directory home which is within the root 

directory.  This special directory will sometimes be shown as 

Home, with a

capital H, because it is the home folder for the live user.

As another example: the full path to the file capsall.fasta, in the bioinf_files directory within the home 
directory of the live user:

/home/live/bioinf_files/capsall.fasta

Often you can provide just the route from where you are on the system to where your file is; this is referred 
to as a relative path. For example, if you are working in your home directory, the relative path to the file 
mentioned above would be bioinf_files/capsall.fasta.

 Keeping things organised

Everyone knows it, but it’s worth restating: if you start by creating a folder structure with meaningfully 
named subfolders, name your files so that the names indicate the contents (or follow some defined naming 
convention), and store your files in the right place, your life will be much, much easier!

Using the command shell

The real power of Linux/Unix systems is the command line. 

A list of common Linux commands is provided in Appendix D of this document for reference.

Many programs and facilities are available through graphical options on Linux, but all programs and 
facilities can be accessed by the command line, also known as the shell. Some tasks are easier, or more 
appropriately done using graphical interfaces. Equally though, other things are easier or more appropriately 

8

Figure 7: Location in graphical file browser given in text; this is the the full 

path to the Templates folder in the home directory of the live user account.


done using the command line. Obvious examples include when you need to work with large numbers of files 
or want to automate processes.  First steps on the command line can be hard but the rewards are worth it (we 
promise!)

Access to the command line is done through a terminal window. 

You can open a new terminal by:

clicking the middle button on the terminal icon on the Dash toolbar

or, going into an already open terminal and typing a command to open a second terminal:

gnome-terminal &

Anatomy of a Command

Linux/Unix commands usually take the form shown in Figure 11.   You’ve already seen a good example in 
Exercise 1-1 part c.

The first word you supply on the command line is interpreted by the system as a command; that is – 
something the system should do or a program to be run. Items that appear after that on on the same line are 
separated by spaces. The additional input on the command line indicates to the system how the command 
should work. For example, what file you want the command to work on, or the format for the information 
that should be returned to you. 

Most commands have options available that will alter the way the command functions. You make use of 
these options by  providing the command with parameters, some of which will take arguments. Examples in 
the following sections should make it clear how this works. With some commands you don’t need to issue 
any parameters or arguments. Occasionally this is because there are none available, but usually this is 
because the command will use default settings if nothing is specified. 

If a command runs successfully, it will usually not report anything back to you, unless reporting to you was 
the purpose of the command (eg. ls). If the command does not execute properly, you will see an error 
message returned. Some of these messages are hard to decipher until you have a bit of Linux experience but 
ultimately they should tell you what has gone wrong.

Note:  Items supplied on the command line separated by spaces are interpreted as individual pieces of 
information for the system. For this reason, a filename with a space in it will be interpreted as two filenames 
by default. How to get around this is is addressed in more detail later in the course.

Note 2: The use of the ampersand in the previous example, gnome-terminal &, is explained in a few pages 
time.  You would not put an ampersand on the end of most shell commands.

9

Figure 8: The Linux/Unix command line structure. Each part of a command is separated by
one or more spaces.

       command

   parameters

arguments

what I want to do

how I want to do it

on what do I want to do it

eg: tar

-xvz -f

bioinf_files.tar.gz


Listing files in a directory

The command ls lists files in a directory. 

By default, the command will list the filenames of the files in your current working directory. When you first
open a shell this is your home directory.

If you add a space followed by a –l (that is, a hyphen and a small letter L), after the ls command, it alters the 
behavior of  the command: it will now list the files in your current directory, but with details about them 
including who owns them, what the size is, and what kind of file it is.  Information about this is shown in 
Figure 11. 

Exercise 1-3

     a) Try browsing files in both the terminal and the graphical file browser:

Open a new terminal by clicking the terminal icon

In the terminal, type the command ls. Compare what you see listed with what you see in the graphical 

representation of your Home directory.

Type the command ls –l and note the kind of information being provided and how it compares to the 

graphical representation of your files.

In the graphical File Browser, click on the List option under the View menu, and compare this 

information to that provided using the ls –l command.

In the console, type ls –l bioinf_files and also click on the bioinf_files folder in the graphical file 

browser and compare what you are seeing.

You can also use glob patterns to identify file names by pattern. 

*

an asterisk means any string of characters

?  

a question mark means a single character

[ ] 

square brackets can be used to designate a group of characters

More details about this are given in the Linux shorthand and shortcuts '''section below.

10

Figure 9: The detailed output of the command ls when run with the -l flag

drwxr-xr-x 6  manager 

users   4096 2008-08-21

09:26 twilliams

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 hybInfo.txt

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 targets_v1.txt

-rw-r–r– 1

manager 

users   7793 2007-03-19

14:14 targets_v2.txt

File

type

File 

permissions

User

Group

File
size

Date and time

modified

Filename


(Exercise 1-3, continued)

     b)  Try these commands that use wildcards to match multiple files:

List all the files in the directory bioinf_files. that start with the letters tes

ls bioinf_files/tes*

List all the files in your directory that start with tes, and end in 1.embl, 2.embl or 3.embl

ls bioinf_files/tes*[123].embl

Learning about Linux commands

Most Linux commands have a manual page that provides information about the command and options that 
can alter its behaviour. Many tasks can be made easier by using command options. A good rule of thumb is 
to ask yourself whether what you want to do is something many others may have wanted to do. If the answer 
is yes, then there may well be commands and options available to do that task.

Linux manual pages are referred to as man pages. To open the man page for a particular command, you just 
need to type man followed by the name of the command you are interested in.  To browse through a man 
page, use the cursor keys (↓ and ↑). To close the man page simply hit the key on your keyboard.

If you do not know the name of a command to use for a particular job, you can search using man –k 
followed by the type of thing you are trying to do. An example of this is in exercise 1-3, part c). 

(Exercise 1-3, continued)

     c)

Look up the manual information for the ls command by typing the following in a terminal:

man  ls

Skim through the man page. You can scroll forward using the up and down arrow keys on your 

keyboard. You can go forward a page by using the space bar, and move backwards a page by using the  
key. 

What does the  -h option do?  What about the -a option? What would running ls  -lrt do?

Press the q key when you want to quit reading the man page.

Try running ls using some of the options mentioned above.

Look up some programs with man pages with the keywords “list directory”

man –k “list directory”

11


Basic Linux tips for filenames

Linux does not deal well with spaces in filenames! 

Or to be more precise, Linux itself deals perfectly well with spaces and all manner of special characters in 
filenames but many programs you’ll want to run on Linux do not, and if  you’re talking about those files in 
the terminal you’ll need to remember to quote them as described below.  If you stick with letters, numbers, 
hyphens, underscores and full stops, you will be fine.

Filenames with spaces in them are a common problem when transferring files to Linux from computers 
running Windows, or Mac operating systems.  Normally the simplest thing is to rename the files before you 
work with them.

If you want to reference filenames with spaces in them, you will need to enclose the entire filename in 
quotation marks so that Linux understands that the space is part of one single name.

Alternatively, you can “escape” the space using a backslash. For example, if I have a file called 

my document

Linux will see this as two words, “my” and “document”.

But you could write either of the following to make it understand you mean a single file:

“my document”
my\ document

To avoid worrying about this, a common practice is to replace the space with an underscore. For example:

mv “my document”  my_document

Everything is case sensitive

Linux systems consider capital letters different from lower case letters. The filename myFile is not the same 
as the filename Myfile or myfile.  You could have all three of these in the same folder.

There are some common naming conventions in place for biological data that you should try to follow. More 
is said on this in the second part of this tutorial.

Getting the prompt back when running graphical applications from the 

terminal

On an earlier page the command gnome-terminal & was suggested as a way to start a new terminal, but the 
ampersand symbol was not explained.  By default, when you run a command the shell expects that the 
command will want to display text in the terminal window so it gets out fo the way until the command is 
finished.  Ending a command with & tells the shell to go immediately back to the prompt, not waiting for the
command to complete.  This makes most sense when you expect the command to open up a new graphical 
window.  It is also possible, though more fiddly, to change your mind and get the prompt back while the 
command is running.

Confusingly, some graphical programs will always signal the shell to keep going even if you omit the 
from the command.  To demonstrate the default behavior we can use a very simple program called xcalc.  
The following exercise will hopefully help you understand how all this works.

12


Exercise – understanding the function of “&”:

1. In a terminal, type the command xcalc

1. A basic calculator should appear.  Try it out.
2. Try to type another command (eg. pwd) back in your terminal window.
3. Close the xcalc window and now see what happens back in the terminal.

2. Run xcalc again and leave it running.  Now we’re going to get the terminal prompt back…

1. Back at the terminal, type Ctrl-z (ie. hold down Ctrl and tap z).
2. What message do you see?  Hopefully you can run commands again.
3. Try using the calculator.
4. In the terminal, give the command bg and try using the calculator again.

3. Run xcalc once again with an ampersand after the command – xcalc &

Linux shorthand and shortcuts

Understanding Linux commands can seem daunting at first. This is in part due to particular characters (full 
stops, question marks, etc.) having special meaning in commands. Once you learn the basics, these shorthand
characters are extremely useful and time saving.

The following incomplete list covers the symbols you will see most often today and describes their meanings
as you will most likely encounter them in this course. 

*

    

matches any character appearing 0 or more times, also known as a wildcard

  

ls  mydir/*

list all the files under the directory mydir

ls  cat*

list all files starting with the letters cat 

ls  cat*hat

list all files starting with the letters cat and ending in hat

?

matches a single character

ls cat??hat

list all files starting with the letters cat followed by any 2 letters,

and then hat

.

the directory you are currently in – ie. the last one you moved to using cd

..

the directory one level above the one you are currently in, aka. the parent directory

~

shorthand for your home directory, eg. /home/live

$var

dollar sign indicates a variable substitution, even within double quotes 
– see the section on environment variables

!

used for history substitution – not covered in this course

-

often seen preceding a parameter (eg. ls -l)
also, the command cd - is a special case meaning “cd to previous directory”

;

a semicolon can be used to separate two commands on the same line;

 

it is also used when writing loops – see p59

More Basic Linux Commands

13


A list of common Linux commands is provided in Appendix D of this document for reference.

Changing directories

The command used to change directories is cd

If you think of your directory structure, (i.e. this set of nested file folders you are in), as a tree structure, then 
the simplest directory change you can do is move into a directory directly above or below the one you are in.

To change to a directory one below you are in, just use the cd command followed by the subdirectory name:

cd  subdir_name

To change directory to the one above your are in, use the shorthand for “the directory above”   ..

cd ..

If you need to change directory without worrying where you are now, you could explicitly state the full path:

cd /usr/local/bin

If you wish to return to your home directory at any time, just type cd by itself.

cd

And finally, you can type

cd – 

This returns you to the last directory you were working in before this one. 

If you get lost and want to confirm where you are in the directory structure , use the pwd command (print 
working directory). This will return the full path of the directory you are currently in. Also by default in Bio-
Linux, you see the name of the current directory you are working in as part of your prompt. 

For example, when you first opened the terminal in a live session you should see the prompt:

live@biolinux[live]

This means you are logged in as the user live on the machine named biolinux, and you are in a directory 
called live.  (Recall that the full path of your home directory is /home/live.)

If you move into the bioinf_files directory

cd bioinf_files

you would see the prompt:

live@biolinux[bioinf_files]

14


Exercise 1-4

Ensure you start in your home directory by using the cd command on its own.  Change directory from 

your home directory to the directory bioinf_files by typing

        cd bioinf_files

Find the full path to where you are by typing

pwd

Type cd bioinf_files a second time.  Why doesn’t this work?

Change directory into the /usr/bin directory by typing

cd /usr/bin

List the files in this directory.

This is the main directory of runnable programs on the system. 
Some bioinformatics software can be found in here. Others are in /usr/local/bin

How can you get back to the bioinf_files folder from here?  Can you work out how to do it with a 

single command?

Tab completion

Tab completion is an incredibly useful facility for working on the command line. 

The main thing tab completion does is complete the filename or program name you have started typing, 
saving you typing time and reducing spelling errors.

For example, from your home directory, you could type:

cd bio

and hit the tab key.

If there is only one directory with a name starting with the letters “bio”, the rest of the name will be 
completed for you. Here this would give you:

cd bioinf_files

The terminal environment on Bio-Linux is set up such that if there is more than one file with that 
combination of letters, all the files will be shown to you. You can choose the one you want by typing more of
the filename, or by continuing to hit the tab key multiple times.

15


Exercise 1-5

Return to your home directory if you are not already there by typing cd

Type cd bio and use tab completion for the rest of the command. Only then press the return key.

You will now be in the bioinf_files directory.

Type ls testseq and use tab completion. This will show you a list of files that start with testseq.

You now have the option of completing the filename yourself, or “tabbing” through the  filenames

available.

Press the tab key a number of times to see what happens.

Type ls c and press tab once to view the files available. 

Type a further such that you now have ls ca on the command line. 

Now press the tab key again.

As you get faster with this, it will save you a lot of typing effort.  Also, tab completion knows how to

escape spaces and other non-standard characters in file names for you.

Exercise 1-6

In the previous exercise tab completion was finding files in the working directory, but it can also help 

you find command and program names because the system knows that the first word you type is going 

to be a command name.

Type a on the command line and then press the tab key. 

Add rte to the a so that you now have arte on the command line. Press the tab key again.

You will see that there is only one command that starts with these letters: artemis 

For programs that might contain case sensitive names, tab completion can be especially useful.

Type bl on the command line and press the tab key. You will see a number of program names listed. 

Keep pressing the tab key to see how the filenames will cycle through on the command line.

16


Command history
Previous commands you have used are stored in your history. You can save a lot of typing by using your 
command history effectively. If you use the up arrow key when you are at the prompt in your terminal, you 
can see previous commands you have run. This is particularly useful if you have mistyped something and 
want to edit the command without writing the whole command out again.

You can also view past commands using the command history. By default, history will return a list of the 
last 15 commands run. You can add a number as a parameter to the command to ask for longer or shorter 
lists. For example, to return the last 30 commands run, you would type:

history -30

It is possible to “speed search” previously-executed commands by pressing the key combination: 

Ctrl-r (ie. hold down Ctrl and tap the R key)

Then start to type.  The command history will be scanned and the last matching command will be displayed 
on the console. Type Ctrl-r repeatedly to cycle through the entire list of matching commands.

Exercise 1-7

Type  history -n 10 on the command line.

Type Ctrl-r, then start typing ist.

Making a directory

To make a new directory, use the command mkdir (make directory). For example:

mkdir newdir

would create a new directory called newdir.

Exercise 1-8

Start in your bioinf_files directory.

Make a new directory called testdir

The graphical view of your account should immediately update to show this new directory.

Move into the new directory testdir

Move straight back into the bioinf_files directory using a single command.  (see the shorthand and 

shortcuts section above for a hint)

17


Office software

Leaving the command line for a short while…  There are a number of word processors and spreadsheet 
programs available for your system. In this course we will look at the LibreOffice suite of programs, 
previously known as OpenOffice. This is an open source alternative to Microsoft Office and can be run on 
both Linux and Windows.

The programs within LibreOffice  can be run graphically from the icons in the Dash toolbar.

Exercise 1-9

Click on the LibreOffice Calc Spreadsheet icon.

Under the File menu, click on Open.

Look inside the bioinf_files directory.

Open the file called example.xls.

Make a few changes and save the file using the Save or Save As… options under the File menu.

Close LibreOffice Calc by choosing Exit from under the File menu.

18

  Text files, Word Processors and Bioinformatics

Documents written using a word processor such as 

Microsoft Word or LibreOffice Write are not plain text 

documents. If your filename has an extension such as 

.doc or .odt, it is unlikely to be a plain text document. 

(Try opening a Word document in notepad on Windows if you want proof of this.)

 

Word processors are very useful for preparing printed documents, but we recommend you do not use them 
when working with bioinformatics data files.

There is a handy command called simply file that will inspect a file and tell you what it looks like.  If you 
run this on a FASTA file it will say “ASCII text” because FASTA is a plain text format.  If it says "binary 
data“ or ”HTML“ or ”OpenDocument Text" or whatever then this is not actually a FASTA file, even if it 
resembles one when viewed in soem applications.

Word processor

Spreadsheet

Presentation editor

Figure 10: LibreOffice Applications in the dash toolbar


Using text editors

Plain text files are important, both as input to bioinformatics programs and as input or configuration files for 
system programs. We highly recommend that you learn to use a text editor to prepare and edit plain text 
files.

There are a number of different text editors available on Bio-Linux.  These range in ease of use, and each has
its pros and cons. In this practical we will briefly look at two editors, nano and gedit.

Nano

Pros:

 very simple – for example, most command 

options are visible at the bottom of the 
window

 can be used right in the terminal without 

graphical support

 fast to start up and use
 supports syntax hilighting

Cons: 

 due to simplicity, lacks some advanced 

features – eg. line numbering, search by 
pattern

 it is not completely intuitive for people who 

are used to graphical word processors

Gedit

Pros:

 very easy to start using
 supports syntax hilighting

 looks similar to a word processor, but is in 

fact a powerful text editor.

 has many useful plugins that you can easily 

install

Cons: 

 it is a graphical program and cannot be run 

from a text-only environment

 it is slightly slower to start up than non-

graphical editors

 for real power users, it’s not a match for Vim 

or Emacs

As most users will work on Bio-Linux using a graphical environment, we will only use Gedit in the exercise 
for this section.

Exercise 1-10

Editing a file with Gedit

To start up Gedit, you can use the command line, or find it in the Dash menu. Choose one of the two 
methods to open gedit:

Command line

Type gedit &

Graphical menu

Click the Dash Home at the top left of the screen, then type edit and click the Text Editor icon.

Type three or four lines of text into the gedit window. 

Save your file using the save option under the File menu (note, you have to move your mouse right to 

the  top of the screen to see this) or simply click the Save button on the Toolbar. Save it as 
myfirstfile.txt in your testdir directory.

19


Exercise 1-10 continued

To save  a file under the testdir directory, you may have to click on the drop down arrow to Browse for 
other  folders. This will expand this section into a File Browser like the one you’ve seen in past exercises. 
Simply browse through to the location testdir is in and click the Save button.

Add a new line to your file and save the file again using the Save As… option under the File menu. 

Save this file as mysecondfile.txt in the testdir directory. 

Add more functionality to gedit by choosing the menu options; Edit → Preferences. A pop-up box 

will appear with 4 tabs:

View

Editor

Font & Colours

Plugins

Seeing the line numbers in a file helps to keep track of your position in that file. We will enable line 
numbers here.  

On the View tab enable  Display line numbers. Now you can see the line numbers on the left. 

Next, click on the Plugins tab and enable the Change Case and the Document Statistics plugins.  

Browse around the other plugins and see what functionality they provide.

Under the Tools menu, click on Document Statistics.  

Try out the other newly added plugin, by selecting a piece of text from the document you are editing 

with the mouse and click on the Edit menu. Hover the mouse over the Change Case menu and choose one
of the options you are presented with.

Change part of one of the lines in this file and save it again using the Save As… option under the File 

menu. This time save it as mythirdfile.txt in the testdir directory.

Quit gedit by choosing the option Quit under the File menu.

Reading text files

There are many commands available for reading text files on Linux/Unix. These are useful when you want to
look at the contents of a file, but not edit it. Among the most common of these commands are catmore, and 
less.

cat simply prints out a whole file in the terminal, which is often a very useful thing to do. However, cat 
streams the entire contents of a file to your terminal at once and is thus not that useful for reading long files 
as the text streams past too quickly to read. (Note – cat is short for concatenate because if you give it 
multiple files it will string them together in order before printing them.)

more and less are commands that show the contents of a file one screenful at a time. less has more 
functionality than more; specifically it can scroll backwards, hence the name. 

With both more and less, you 

can use the space bar to scroll down the page, and typing the letter q causes the program to quit – returning 
you to your command line prompt. 

Once you are reading a document with more or less, typing a forward slash / will start a prompt at the 
bottom of the page, and you can then type in text that is searched for below the point in the document you 
were at. Typing in a ? also searches for a text string you enter, but it searches in the document above the 
point you were at. Hitting the n key during a search looks for the next instance of that text in the file.

20


With less (but not more), you can use the arrow keys to scroll up and down the page, and the b key to move 
back up the document if you wish to. 

Exercise 1-11a

Move into the bioinf_files directory. 

Read the file hsy14768.embl using the commands catmore and less.

Don’t forget that tab completion can save you typing effort.

cat hsy14768.embl

more hsy14768.embl  Use the spacebar to scroll down

Press q to quit.

less hsy14768.embl

 Use the spacebar to scroll down, to go up a page, and the up and 
down arrow keys to move up and down the file line by line.
Press the / key  and search for the letters sequen in the file.
Press the ? key and search for the letters gene in the file.
Press the n key to search for other instances of gene in the file.

In almost all cases, if you want to look at a file in the terminal you want to use less. The cat command is 
more usually used in conjunction with other commands or when you actually want to concatenate files. The 
more command does nothing that less can’t do.

An important note on line endings – CR and LF
There is one major gotcha when working with text files, and it stems from a decision made way back in the 
olden days of line printers.  To print a text file on such a device, you would send the raw text file directly 
down the serial line to the printer and at the end of each line you sent two control codes, one to advance the 
paper (line feed) and the other to move the print carriage back to the start (carriage return).

In MS-DOS, later Windows, both these codes were embedded in standard text files at the end of every line.  
In UNIX, and later Linux, a single LF character is used to indicate a newline.  On old Macs it was a single 
LF.  New Macs use the UNIX convention, so text files with single LF newlines are rare.

Many programs on Linux are written to deal with all these conventions – they just helpfully regard any 
combination of CR and LF as meaning “next line”.  Others are not, and will either complain the file is invalid
or worse will try to process the extra characters as meaningful data and produce nonsense results.  You don’t 
need this hassle so, much like we recommended removing spaces from filenames above, we also recommend
ensuring all your text files are in order before attempting any bioinformatics on them.  The next exercise 
shows how you might do this.

21

  Remember the man pages

There are many command line options available for each of the above commands, as well as 
 functionality we do not cover here. To read more about them, consult the manual pages:

man cat
man less

As you’ll see, the manual pages are actually displayed for you using less.


Exercise 1-11b

In Gedit, open the file hexaseqs.list which is provided in bioinf_files.

Without editing the file, save it as a new file named hexaseqs_crlf.list but on the Save As dialog switch

the Line Ending option to Windows.

Try these commands in order:

file hexaseqs.list hexaseqs_crlf.list

ls -l hexaseqs.list hexaseqs_crlf.list

Note the difference in file sizes in the fourth column

cat hexaseqs.list

cat hexaseqs_crlf.list

cat -A hexaseqs.list

cat -A hexaseqs_crlf.list

Now run these.  Remember that the in a filename is a shorthand to match multiple files at once. Don’t 

worry about the specific meaning of the sed command but do ensure you type it exactly like as shown.

sed -i “s/\r//” hexaseqs*.list

file hexaseqs*.list

In summary:

The line endings problem is a historical annoyance that won’t go away.

The file and cat -A commands are the quickest ways to detect troublesome CRLF line endings.

Using Gedit and saving with the Unix/Linux mode is the simplest and safest way to remove 
them.

The command shown above using sed (sed is a handy tool but we don’t really have time to cover
it in this course) can quickly strip all the CR characters from multiple files in one go.  It’s safe to
run this on any regular text file, but if you run it on, say, and Excel file or an image or a .zip or 
.tar.gz file then the file will effectively be destroyed.

Copying files

The basic command used to copy files using the command line is cp. At a minimum, you must specify two 
arguments: the name of the file to be copied, and where you wish to copy the file to.

The main things to know about using the cp command are:

if you provide the name of an existing directory as the second argument, the file named in the first 
argument will be copied into that directory.

otherwise, it will be assumed that the second argument is the new name to be used for the copy you 
are making, whether the name corresponds to an existing file or not

if you provide more than two arguments to cp, the final argument needs to be the name of a directory
that already exists and all the preceding arguments need to be files that will be copied to the 
directory

Examples (try these in the bioinf_files folder if you like, or go straight on to 1-12):

cp unknown.fasta my_new_file.fasta   - clones unknown.fasta with the new name my_new_file.fasta

22


cp  unknown.fasta my_new_directory  - probably not what you wanted! It just makes another file.

mkdir an_actual_directory
cp  unknown.fasta  an_actual_directory - copy unknown.fasta into an_actual_directory you just made

cp *.embl an_actual_directory -  copy all the .embl files into the new directory in one go

To  copy whole directories, with all the subfiles and subdirectories, use the –R option, (meaning recursive). 

cp –R  an_actual_directory foo copy directory and its contents as a new directory, foo

The Linux shorthand for “this directory right here” (a dot  .  ) and “the parent directory” ( .. ) comes in handy 
when copying:

cd foo
cp –R ../blastdb  .

copy blastdb from the directory above and put the copy here in foo

Make sure you leave a space between the directory name and the final dot. 

Also useful is the shorthand for someone’s home account. e.g. instead of having to know and type the 
location of their account, you can use ~username  In the case of your own account, you use just the 
symbol, followed by a   / if you want to specify any subdirectories in your account.

(note the next two examples don’t work on the demo system as the files are not in place)

cp   ~user2/somefile  .

copy the file somefile from user2’s home directory  to my
current working directory. Note that you need the appropriate
permissions to do this!

cp   ~/Documents/mytext  .      copy the file or directory called mytext from within my Documents

 

directory to my current working directory.

Exercise 1-12

Move into your directory testdir from exercise 1-8.

List the files in this directory.

Make a copy of myfirstfile.txt called test.txt

Make a copy of mythirdfile.txt called  myfourthfile.txt.

Make a directory called subdir.

Copy mysecondfile.txt into subdir

Copy all the files that have the letters fil in the name into the subdir directory.

Move back into the bioinf_files directory

Copy all the files that start with the letters tes and end in .embl into the directory subdir.

Linking to files
Sometimes you want to access a file or directory at a different location but you don’t actually want to copy it.
For example if you have a data file in a system folder or network drive that you want to be able to access 
quickly from your desktop, but you don’t actually want the entire file to be copied to your desktop folder:

23


  ln -s  /usr/local/bioinf/sampledata/nucleotide_seqs/multiple_seqs.fasta  ~/Desktop/multiple.fasta

     

If you now try to open multiple.fasta in any application (eg. Gedit), you will see the data from the linked file 
as if you accessed it directly.  If you write to the link you will be writing data straight to the original file (but 
in this case you will not have permission to do so).

You can examine links using the long output mode of ls.

ls -l ~/Desktop/multiple.fasta

lrwxrwxrwx 1 live live 35 2011-05-12 11:46 

/home/live/Desktop/multiple.fasta ->

/usr/local/bioinf/sampledata/nucleotide_seqs/file1.fasta

The initial letter ’l’ shows we are dealing with a link.  Links do not have their own permission settings so ls 

shows them all as enabled, but links do have an owner depending on who created them.  The target of the 
link is shown last.  The target can be any file, directory or even another link.  Note that Linux will not stop 
you from making a link where the target is non-existent or inaccessible, but ls will help you to spot these 
“dangling links” by colouring them in red.

Removing files and directories

The key difference between deleting something from the command line and using the graphical file browser 
is that in the first case the file vanishes immediately, but in the second it will be stored for a while in the 
Rubbish Bin and can be retrieved.

Option 1: Using the command line (effect: deletes files from the system)
To remove a file or files, use the rm command followed by the name of the file(s) you wish to delete.

rm  file1
rm  file2  file3  file4
rm  foo/*

remove all files in foo but not the directory itself

To remove an empty directory, you can use the rmdir command:

rmdir  thisdir

If that directory contains any files, you will not able to delete the directory using rmdir until you have 
deleted all the files within it.  To delete a directory and all the files in it at the same time, use the rm 
command with the option -r (for recursive)

rm –r  fulldir

If you use the above command on Bio-Linux, you will be prompted to confirm that you wish to delete each 
file. While sometimes useful, this can be tedious. If you are certain that you want to delete all the files in that
directory, as well as the directory itself,  then you can combine the recursive flag with the force (-f) flag 

rm -rf anydir

So if you are 100% confident that you will never make a mistake, you can use rm -rf for all deletions, but 
for mere mortals it is good practice to use the more specific commands, as this can mitigate mistakes.

Option 2: Using the File Browser (effect: moves files into the Rubbish Bin)
If you are in the graphical file browser, just find the file you wish to remove, right click on it and choose the 
Move to Rubbish Bin option or else press the Delete key on the keyboard. Note that this file will not be 

24


removed from your system, only hidden, and can be retrieved via the Rubbish Bin icon in the bottom right of
the screen.

If you were deleting the file to make space, you now have to empty it from the Rubbish Bin to actually get 
the disk space back.  You can remove the file permanently in one go by holding down the Shift key on your 
keyboard and while keeping this key depressed, pressing the Delete key. A message box will pop up asking 
you to confirm that you really wish to permanently delete your file.

Exercise 1-13

Move into the testdir directory.

Delete mythirdfile.txt using the command line

Delete myfourthfile.txt using the graphical file browser.  Is the files now sitting in the Rubbish Bin?

Back on the command line, move back into your Home directory.

Then delete myfirstfile.txt from testdir without moving back to the testdir directory.

Delete the entire testdir/subdir directory without being prompted about the deletion of each file 

individually.

Redirecting output to files
You have seen how the 'cat command can take the contents of a file and put it straight into the terminal, but 
we can also do what is essentially the opposite and capture output that would normally go to the terminal and
put it in a file.  This is done by the redirection operator >.  For example:

ls > file_list.txt

In this case the output of ls will not appear on the screen but you will see a new file called file_list.txt.  If 
you cat this file or open it in gedit you’ll see the file list.  Note that the result is no longer coloured, as there 
is no way to represent colour information in a plain text file, and has been formatted into a single column list,
but otherwise is identical.

25

  Notes on Reading, Copying and Removing Files and Directories

On Bio-Linux the commands cpmv and rm have been aliased to cp –i , mv –i  and rm –i  respectively. 

This means the system will ask you if you really mean to overwrite files should the situation arise with cp or 
mv, or delete the file you have just asked to delete when using rm. You must respond with a y or Y if you do 
wish to proceed. Hitting any other key will cause the action you requested to be ignored. 

You cannot assume that any other Linux/Unix systems you work on will be configured this way, but you can 
always set these settings yourself.


Piping output between applications

A remarkably powerful facility on the Linux command line is the ability to take the output of one command 
and use it directly as the input to another command.  This is referred to as piping the output of one command
into another command.

The vertical bar symbol used for this is called a pipe and looks like:    |

Standard UK PC keyboards have the pipe symbol on the same key as the backslash symbol, at the bottom, 
left hand side of the keyboard. So pressing the Shift key and the backslash key together will give you the 
pipe symbol.
On some keyboards, the pipe symbol is at the top left hand side, on the same key as the backtick. To type a 
pipe symbol on such keyboards, hold down the key Alt Gr and hit the back tick ( ) key (left of the number 
1 key).

An example of when you want to use a pipe would be if you wanted to list all the files in a directory, but 
there are too many to fit on a single page. You probably saw this when you listed the contents of /usr/bin 
back in Ex. 1-4. 

You can pipe the output of the ls command (a list of files) into the less command, which will allow you to 
view the list page by page. To list the files in /usr/bin and view them page by page, the command would be:

ls  /usr/bin  |   less

Another useful command to use with pipes is the wc command, which stands for wordcount. By default, wc 
returns the number of newlines, words and bytes in a file. Or you can tell wc to return just the number of 
lines by using the -l parameter (see the manpage for wc). 

For example, you could find out how many files you had in a directory by typing:

ls  |  wc -l

26


Diff, Grep and Sort

In this section, we look briefly at three very useful commands: diffgrep and sort. As with all the commands
covered today, we recommend that you read the manual page for more information about how these work 
and what options are available.

Diff
diff  compares files line by line and reports the differences between the files. In fact, diff can be used for 
more involved tasks as well, like comparing the contents of directories. This can be very useful when you are
looking for changes that you or someone else has made. 

Exercise 1-14

Move into the testdir directory.

Type diff test.txt  mysecondfile.txt  to see what diff reports to you.

Type  cat  mysecondfile.txt |  diff  -  test.txt

In the above command the hyphen (-) refers to the information being given to diff through the pipe. That is,
the information resulting from the command cat mysecondfile.txt is put directly into the diff command. 
Obviously, in this instance it would be easier just to give the name of the file, mysecondfile.txt, but there 
are many instances where being able to use – to mean “what I am sending in via the pipe” can be useful.

Grep
grep stands for global regular expression print; you use this command to search for text patterns in a file 
(or any stream of text).  Eg try this.

grep  “adge”  /usr/share/dict/words

You can also use flexible search terms, known as regular expressions, in your grep searches. You have 
already used glob pattern expressions in this practical, but regular expressions are somewhat different and 
more powerful. For example, when you listed all files with the pattern tes*embl* you were using a glob 
pattern comprising explicit characters (e.g. tes) and special symbols (meaning any character or characters). 
The equivalent in grep would be “tes.*embl.*” where the period signifies any single character and the * 
signifies any number of repeats.  

Therefore to convert from a shell glob pattern to a regular expression replace each * with .* and each with .
.  You also need to enclose the expression in quotes to tell the shell not to try and interpret it as a glob.

Unmodified glob patterns fed to grep but will not work as intended.  For example the pattern tes* in grep 
means te followed by any number of s characters in sequence (te, tes, tess, tesss, …).  The question mark 
now signifies optionality – so tes? means te followed by zero or one s character (te, tes). Regular 
expressions are found in several places other than grep, most notably in the Perl scripting language. The full 
syntax is extensive and powerful but is beyond the scope of this course, so back to the grep command itself…

grep requires a regular expression pattern as a parameter, and prints all the lines in a file containing that 
pattern.

grep is especially useful in combination with pipes as you can filter the results of other commands. 

For example, perhaps you only want to see only the information in an EMBL file relating to the origin of the 
sequence, that is, the DE line. You do not need to search the file in an editor, you can just grep for lines 
beginning in DE, as in the next exercise.

27


Exercise 1-15

While in the bioinf_files directory, type the command:  grep “DE” hsy14768.embl

What is this command doing? 

Can you see why the above command results in the output you see? 
An explanation of this command can be found below this exercise box. 

Try the commands: grep “^DE” hsy14768.embl   and   grep -x “DE.*”  hsy14768.embl

What are the ^ symbol and the -x parameter in these commands doing?

Check the manpage for grep to be sure.

Try the command: cat hsy14768.embl | grep “^DE”.  Does that do what you expected?

Move to your home directory and type ls –lR

Read the manual page for ls if it is not clear what this command returns.

Use the above command with a pipe and a grep command to search for files created or 

modified today. 

List the files in the bioinf_files directory and use the grep command to look for those containing the 

characters d4

The first command in the previous  exercise searches all the text in the hsy14768.embl file and returns the 
lines in which it finds the letter D followed by the letter E. 

The second command in the exercise also returns lines in the file that have a letter D followed by a letter E, 
but only where DE is found at the beginning of a line. This is because the ^ symbol means “match at the 
beginning of a line”.  The $ symbol can be used similarly to mean “at the end of a line”.  These are known as
anchors.  Passing the -x flag to grep tells it to automatically anchor both ends of the search pattern.

What this anchoring does in the example above is return to you just the organism information in the embl 
file. This is because none of the other lines returned in the previous command started with DE, they just 
contained DE somewhere in them.  This is an example where knowing how information is stored in an given 
file, along with a few basic Linux commands, allows you to retrieve information quickly.

Another common example is counting how many sequences are in a set of multi-fasta files. We can do this 
with pipes between the commands catgrep and the ever-handy wc, which here we use to count lines found 
by grep.

cat *seqs.fasta  |   grep “^>”  |  wc  -l

Each sequence in a fasta file starts with a header line that begins with a . The above command streams the 
contents of all files matching the glob pattern *seqs.fasta through a search with grep looking for lines that 
start with the symbol > .   The quotes around the pattern ^> are necessary, as otherwise it is interpreted as a 
request for redirection of output to a file, rather than as a character to look for.  As before, the ^  symbol 
means “match only at the beginning of the line”. 

The output of this grep search is sent to the wc command, with the  -l  indicating that you want to know the 
number of lines – ie. the number of headers and by implication the number of sequences. 

So a synopsis of the command above is:  Read through all files with names ending seqs.fasta and look for all
the header lines in the combined output, then count up those lines that matched and return the number to 
screen.

We cover sequence formats later on in part 2 of the tutorial. 

28


Environment Variables

We have seen that the way commands run can be modified by the options passed on the command line.  
Some commands also read values called environment variables which affect their behaviour.  Environmental 
variables are set within the shell via the export command and are passed to any processes you run.  This is 
useful when you want to set some parameter that is common to all invocations of a command, or applies 
across several commands.  For example, your favourite text editor may be, say, Gedit, or Nano, or Vim, or 
Emacs.  In the shell you can say:

export EDITOR=vim

Now any command that wants to run a text editor knows what your preferred editor is.  Within the shell you 
can get at the current value of en environment variable by prefixing it with a sign, eg.

echo $EDITOR  

prints the current value of the EDITOR environment variable to the screen

The printenv command dumps all environment variables.  Note that environment variables are only set in 
the current shell and are not saved by default, so if you run a command in another terminal or close and 
restart the terminal any values you set will be lost.  For information on making the settings permanent by 
editing your .zshrc file see the user guide under Supported Shells.

Exercise 1-16

Give the command:  export  VAR1=hello (with no spaces around the = sign) then:

echo $VAR1

echo $  VAR1

echo “$VAR1”

echo ’$VAR1’

Start a new terminal window by typing: gnome-terminal &

Within this new terminal: echo $VAR1

Start a second new terminal by right-clicking the icon in the Dash and selecting New Terminal

Within this new shell: echo $VAR1

Go back to the original shell window

unset VAR1

echo $VAR1

Has this affected either of the other two shells you started?  Check them:

echo $VAR1

Environment variables are inherited when one process starts another, much like genetic material is inherited 
when a cell divides.  Hopefully this explains the behaviour you see in the exercise above.  When you start a 
terminal from en existing shell it inherits the environment from that shell.  When you start one from the 
system menu it inherits just the base system environment.  Furthermore, once a program is running no 
external program can modify its environment variables.

29


Changing permissions on files and directories

Every file on the system has a set of permissions on it that dictate who on the system can read, change or 
delete, or execute the file. By default, all the files you create in your account are readable, changeable or 
executable by you. However, you can grant other users permissions to access parts of your account if you 
wish.

Below is some basic information about file permissions.  Since there is only one user on the live system this 
isn’t really relevant to your current setup. If you are working on a shared system and want to set up access to 
your files for other people on the system, please get advice from your system administrator.

The command to change permissions is chmod. You have to specify who you are modifying the permissions 
of, what the new permissions are, and what file or directory to act on.

The format of the chmod command is:

chmod  who ± permissions   filename(s)

who can be:

u 

means user and refers to the owner of the file  

means group, and refers to the group the file belongs to

o 

means others, everyone on your systems apart from those above

means all three, i.e. user, group and others

permissions can be:

means read permission

means write permission

means execute permission

Each user has a default group and possibly extra group memberships.  Use the id command to view your 
group memberships.  When you create a new file it will be owned by you and by your default group.  If you 
are a member of additional groups, you can switch the file to any of those groups using the chgrp command.
(Please refer to the manual pages for the commands chown, chgrp and chmod for more on this topic.)

For simplicity, let us assume that you and a co-worker have both been put in the default group labusers and 
wish to share your data files found in ~/bioinf_files.

chmod a+x ~ 

give permission to anyone to execute, in this case, so 

that they can move through, your home directory.

chmod g+rx  ~/bioinf_files 

give permission to people in the group to access files in the 
bioinf_files directory under your home directory, including
listing the files with ls

chmod g+r ~/bioinf_files/*

give permission to people in the group to read the files in the 

directory 

The first command could have been “chmod g+x ~”.  This would unlock your home directory only to users 
in the labusers group.  However, enabling access for anyone is generally safe, as long as permissions on the 
files and subfolders prevent anyone from actually accessing them, and unless you set a+w in addition to a+x 
nobody but you will be able to list the files in your home directory.

30


Some other useful information

Copying and pasting text
Most Linux applications, including the shell terminal windows, have Copy and Paste options in the Edit 
menu or available in the pop-up menu when you click the right mouse button.  You can copy text within 

the application or between different applications.  There is also a quick way to copy text within the 
terminal by highlighting text to select it, and using the middle mouse button to paste the text.

The exact way to select, copy and paste text from within a terminal windows depends on how your mouse 
has been set up.  Normally you would highlight text by dragging the mouse across it with your left mouse 
button depressed to copy the text, and paste by clicking the middle mouse button (or the two outer mouse 
buttons pressed simultaneously).  Note that within the terminal it doesn’t matter where you click the middle 
mouse button – the text will always be inserted at the current cursor position.

The simple way to stop a process
Sometimes a command or program you run in the terminal goes on too long, or is obviously doing something
you did not plan. If  there is  no obvious way  (such as a menu option or button) to stop the program running, 
try using Control and (more commonly written as Ctrl-c). i.e. hold down the Control key and hit the c 
key.  This requests the program to stop immediately, though the program may ignore the request.

Note that this is the same key combination used in most graphical applications for copying text. Remember

that highlighting text in a Linux terminal automatically copies it into the buffer – you don’t need to press

Ctrl-c before pasting with the middle button.

Putting a command to one side
Sometimes, you are in the middle of typing a long command, and you suddenly realise you need to do 
something else in the terminal, like list the current directory contents or check the manpage, before you run 
the command.  Z-shell provides a handy shortcut for this: Alt-q.  When you press Alt-q the current 
command disappears and you have a new empty prompt, but the unfinished command has been remembered 
and will reappear with the next prompt ready for you to edit and run it.
An alternative is to hit Ctrl-c.  Within the shell,  Ctrl-c does not cause the shell to exit but it does cause the 
current command to be abandoned and a fresh prompt to appear.  Unlike with Alt-q the unfinished command
will still be visible in the terminal display so you can select it and paste it back in with the middle button if 
you decide you want it after all. (Try it!)

Logging out of a session
To logout, you can press the Power Icon on the far right of the top taskbar (Figure 2) and choose the Log 
Out option. 
To shut down the machine, you can choose the Shut Down option on the same menu. If you are working on 
the console of a machine with users apart from you, then please check with your system administrator before 
powering down the machine. Other people might want to log in remotely.

Clearing your terminal of text
Your terminal windows can fill up with lots of text, and it can become difficult to see the information you 
want because of all the clutter.  You can clear the terminal window by typing

clear

31


Accessing a running program or working with others interactively

If you just run a job and then close down the terminal you ran it from, normally the job will be terminated. It 
would be nice to be able to leave a long job running and be able to log out and then log back in again to see 
how it is progressing.  This is especially true if you log in remotely via SSH and experience network 
disruptions, or if you run programs that can take quite a long time, but ask you for input periodically. 

Luckily, there is a tool that makes it possible to leave programs running with no danger of them terminating 
if you log off or your terminal is closed. In addition, when you log back into your system, either locally or 
remotely, you can “re-attach” to your earlier session so it feels like you are picking up where you  left off, in 
the same window you were running your program from. 

The utility that allows you to  do this is called screen. It must be run before you start running other programs
in your window. Screen can also allow two people on different machines to work in the same session – i.e. 
Real time collaborative editing is possible with screen.

Unfortunately, how to work with screen is beyond the scope of this course. However, the link below provides
a useful beginners tutorial about screen and multi-user sessions:

https://www.linode.com/docs/networking/ssh/using-gnu-screen-to-manage-persistent-terminal-

sessions#screen-basics

An extensive list of command options can be found in the screen manpage (ie. type man screen).

Accessing your machine – including a full graphical desktop - remotely

Bio-Linux is set up for secure remote access.  We can’t demonstrate this on the Live system but it is well 
worth knowing that if you have an installed Bio-Linux system you can connect to it securely over the 
network, so long as your account is enabled in the ssh group and you have network access to the machine (ie.
not blocked by a site firewall)

You can connect to your (installed) Bio-Linux system remotely using X2Go software. If you download an 
X2Go client to another Windows, Linux or Mac system, you can connect to an installed Bio-Linux system 
and run a full, graphical, desktop session remotely. Further details on how to do this can be found on the 
website at:

http://environmentalomics.org/bio-linux-remote-access

Note that due to limitations of the remote protocol, X2Go will use a fallback desktop “MATE” session which
is slightly different to the default “Unity” desktop environment described in this tutorial.

32

There are many useful commands available on Linux and we cannot begin to cover them in this course. We 

recommend that you consider buying a book to help you learn how to use Linux efficiently.


Part Two: Introduction to Bioinformatics on Bio-Linux  

This section of the tutorial introduces you to running bioinformatics software on Bio-Linux, including how 
to find out what is available for particular types of bioinformatics tasks, some options you have for running 
programs on the system, and where to find documentation about the software on the system. This course 
does not cover the detailed use or understanding of any particular piece of software.

You should read through the general information in the next few pages, then look at which specific programs
are of most interest to you.

The main points we hope you take away after completing this section of the tutorial are:

a) You can discover and run bioinformatics tools even if you have not explicitly been taught 

how to use them.

b) If you have repetitive tasks to carry out, chances are there are ways of fully or partially 

automating them.

c) Web interfaces are easy, and have certain benefits, but a competence with the command line 

gives you access to more possibilities and sometimes these will suit your needs better.

Documentation and Help for Bioinformatics Software on Bio-Linux

There are a number of  sources of information about the bioinformatics software on Bio-Linux, including 

Bio-Linux bioinformatics documentation

local copies of software documentation – look in /usr/share/doc

options under the help menus in some graphical programs

web pages

journal articles. 

Bio-Linux Bioinformatics Documentation

Categorised information about bioinformatics software on the Bio-Linux system can  be accessed  via the 
Bioinformatics Docs icon on the left hand side of your desktop. Software can be listed by name or by 
functional category. 

The information for each program includes an overview of what it does, with links to local documentation 
when available, as well as  links to information on the internet.

An apology – the Bioinformatics Docs are currently (in 2014) out-of-date and in severe need of

attention.  The plan is to integrate this catalogue with the ELIXIR tools registry but this work will

take many months to complete.

This notwithstanding, we highly recommend that you read the documentation for any programs

you intend to run. 

This is especially important for programs that use heuristic algorithms (methods involving some

level of approximation, such as BLAST), and those that output numerical results.

33


Exercise 2-1

Click on the Bio-Linux Documentation icon on the desktop, then on Bioinformatics Docs

Select a category under the Browse by Category section.

Click on the names of any of the programs that might interest you and view the information

in the resulting web page.

Return to the search form and click on the link to List all categories. This shows a view of 

all the documented software according to the functional category (or categories) they are listed 
in.

Please refer to the bioinformatics documentation throughout this tutorial to find out more about the 
programs introduced, or look on-line.  Most current software will have web pages and online resources
for users.  For example QIIME has a very active user community.

If you know of a good information resource for a program on Bio-Linux that is not mentioned in our 
bioinformatics documentation system, or you have any problems with the system, please let us know by 
emailing us athelpdesk@nebc.nerc.ac.uk. 

Help Functions within the Programs

Documentation is available from within many programs. For example, many graphical programs have a Help
menu or button; many command line programs provide help if you type the name of the program followed 
by  –h–help or –help. Some programs even have their own manual pages that can be accessed by typing 
man followed by the program name.

Example data for this tutorial

The sequences referred to in this tutorial can be unpacked from the file
/usr/local/bioinf/documentation/bio-linux/intro_course/bioinf_files.tar.gz.

If you have just done the associated Introduction to Linux tutorial, you will already have these files – please 
move on to the next section of the tutorial.

If you have joined the tutorial at this point, please refer to Exercise 1-1,  parts b, c and d to download and 
unpack the necessary sample data files.

For some parts you will also need qiime_tutorial_data.tar.gz,  mothur_tutorial_data.tar.gz  and 
assembly_taster.tar.xz which are available in the same directory.

34


Interface choices

Software can be run on the command line, via graphical programs on your computer, via web interfaces,  via 
web services and/or via scripts.  Bioinformatics programs can often be run using more than one of these 
options. Each type of interface has pros and cons. We have summarised some of these for reference below. 

Interface

Pros

Cons

Command line

Type out the command

and press enter

Fast to run once you know the program

Very flexible; usually many options

Repetitive tasks are easy to run or automate

Easy to log in remotely and carry out tasks

Have to learn the syntax

Have to find out what options are available

Prompted command

line

Type out the command

and respond to

prompts on screen

Easy to run; don’t have to remember the 
command line syntax

Easy to log in remotely and carry out tasks

Easy to forget the diversity of options for a 
program because of the temptation to just 
reply to prompts provided

Slower to get running than “pure” command 
line

Graphical interface

Start the program and

interact via menus 

Often more intuitive and visually pleasing 
than the command line

Extensive help is often available via a menu 
option or button

Some programs (not all!) can be run by 
clicking an icon in the Applications | 
Bioinformatics menu on your system.

Appropriate for visual tasks such as 
alignment editing, detailed annotation 
checking, etc.

Can be slower to use than the command line, 
especially for repetitive tasks

For some programs, the command line 
version provides more functionality.

You may need your system admin to set up 
programs so that you can run graphical 
programs when logging in remotely

Web interface

Run via a web browser

window, usually at a

remote site

Usually intuitive

Can provide functionality not available via 
locally-run programs such as access to 
important data resources or results presented 
in useful formats, e.g. including links to 
related data resources, graphics, etc.

Some websites allow a certain degree of 
“pipelining”, where the outputs of one 
program can  intuitively be supplied as input 
to another.

Can be slow to use relative to the command 
line, especially for repetitive tasks

You are subject to the rules and restrictions 
of the site you are working on (e.g. data 
volume, number of tasks, options available, 
etc.)

You may not want to send private data over 
the internet (e.g. if you are applying for a 
patent?)

You can be subject to the whims of network 
connectivity

35


Web services

Runs tasks over the

internet  from a

program, usually

locally installed or run

via java webstart. 

Can bring together the ease of a locally run 
program with the data and computing 
resources of a remote site

Can be used via graphical programs or scripts

You are dependent on network connectivity 

You are dependent on the consistency of the 
remote server where the functions you need 
are running

You are dependent on the functionality the 
remote site offers; this may not be as 
extensive as the functionality you get locally 
for some programs.

Scripts

Using a small

program that runs a

program or programs

for you

Very flexible 

Great for automating tasks

Great for carrying out customised tasks

Straightforward to learn enough to alter 
existing scripts to do exactly the task you 
want.

You have to write the script or find a script 
that does the job. This means learning a 
programming language (or asking someone 
who knows one to help you)

  

General points about working with bioinformatics programs

Sequence formats

A simple thing that often trips people up is sequence formats.  There are many different sequence formats; 
the reasons for this are both historical and functional.

Historically, when people first started writing analysis programs for molecular data, they designed a format 
that they felt suited their needs. As time went on, numerous formats came into existence. We live with the 
legacy of this. We must know what format our data is in, and whether the program we want to run can use 
data in that format.

Functionally, a program may require information that can be included with data held in certain formats, but 
not others. For example, EMBL format files can, in addition to the sequence data itself, contain descriptive 
information about a sequence, such as its features. In contrast, plain format contains nothing inside the file 
except the sequence data, while FASTA format allows a small amount of information about a sequence to be 
given in a header line and FASTQ adds read quality information alongside the sequence. Clustal and msf 
formats handle multiple aligned sequences, while  phylip and nexus format files contain aligned sequences as
well as information relevant to phylogenetic analysis programs.

36

For repetitive tasks, we highly recommend the use of the command line, workflow software and/or scripting.

To analyse data, it must be presented to the analysis program in a format the progam 

understands.

This seems obvious, but frequent errors (or worse, misleading results) occur when the data entered into 

a program is not appropriate. 


Converting files to different sequence formats used  to be a frequent, and often time consuming, task in 
bioinformatics. Luckily there are file conversion programs that take care of this easily for many formats. In 
addition, many program understand more than one format. 

Some common bioinformatics sequence formats, along with common filename conventions used for those 
formats,  are listed in the table that follows the next section. 

We recommend the following page for more information and examples of common bioinformatics file 
formats:

http://www.molecularevolution.org/resources/fileformats

File naming conventions in bioinformatics

The suffix, (the part of the filename after the final dot), is often used to denote to you, and other people, what
the format of the data inside the file is. 

For example, the common suffix for clustal formatted alignments is aln. .A bioinformatics file that ends in 
.aln is usually assumed to be a clustal formatted alignment file.  

Another multiple sequence alignment format is  phylip. A common suffix used on files containing sequences 
in phylip format is phy.  

Common suffices used for files containing data in particular formats are listed in the table following this 
section. We highly recommend that you follow conventions when naming your data files. 

Benefits to following the convention for filename endings include:

You will know your data format just by looking at the name of the file.

Following standard conventions, (rather than making up your own naming system), makes it 

easier for other people looking at your files, (e.g. collaborators, or people helping you); they will 
know the data format just by looking at the name.

Some graphical programs have filters set so that only files with particular suffices will be 

listed in the file browser window when you try to load some data. If you use conventional 
filename endings, this is less likely to cause problems for you.

Certain programs use information in the filename to interpret aspects of the data, (not just the data format). 
Such programs have strict naming conventions for the whole filename. For example, some sequence 
assembly programs either require, or are benefited by, defined naming schemes for sequence traces. The 
filename will inform them about which sequences are read pairs, what direction sequence reads are in, and 
other information relevant to assembly or visualisation. You will need to read the program documentation to 
find out what is required in such instances. 

37

You are not restricted to naming your files in any particular way but we highly recommend that you 

follow the convention for the type of file you are generating/saving.

Following file naming conventions from the beginning will save you, and your collaborators,

 a lot of time!


Common bioinformatics file formats

Format

Some common

filename endings

Comments

Embl or

swissprot

.dat
.embl
.sprot
.swiss

Usually these files, along with genbank files, contain feature information 
as well as sequence. 

Embl and Swisprot (or Uniprot) format are the same. Embl files contains 
nucleotide sequences and Uniprot files contain peptide sequences.

Files downloaded from EMBL or Uniprot websites use the suffix .dat. 
Often these are compressed with gzip, and so end in .dat.gz

Files generated by individuals in embl format will tend to end in .embl. 

Genbank

.seq
.gb
.genbank

These files, along with embl and swissprot files, usually contain feature 
information as well as sequence.

Individuals using this format, usually use the .gb or .genbank suffix. The 
NCBI usually uses .seq for genbank sections.

FASTA

.fasta
.fsa
.fa

Possibly the most common sequence format. 

It may contain nucleotide or peptide sequence(s) and a single-line header 
per sequence.

FASTQ

.fastq
.fq

Very common for NextGen reads.  Like FASTA with extra quality info 
per sequence.
Alternative extensions may indicate the type of sequencing technology 
- .fastqsanger, .fastqsolexa, etc.

Plain

.pln
.staden
.sdn

Not commonly used, as the file contents contain nothing but the sequence
itself; the only identifier of the sequence is in the filename.

Staden programs use the plain format, accounting for the last two of the 
file suffices given.

Clustal

.aln

Multiple sequence alignment format

Originally from the clustalw program, but now recognised by many 
programs that accept or output multiple sequence alignments.

Phylip

.phy
.phylip

Multiple sequence alignment format

Used by the Phylip suite of programs and many others, especially those 
associated with phylogenetic analysis.

Msf

.msf

Multiple sequence  alignment format

This was the standard output format from some of the suite of programs 
called GCG. The format is still sometimes used.

Other multiple alignment formats are more generally used and thus are 
often a better option to choose if you have a choice.

Nexus

.nxs
.nex

Multiple sequence  alignment format

Used by a number of phylogenetics programs. 

GFF

.gff

A format for describing genes and other features associated with DNA, 
RNA and Protein sequences. Not generally used as input for analyses.

38


Naming files and the danger of over-writing previous results

Many programs will suggest a name for your results file. Sometimes this name is generated by taking the 
beginning of the name of your input file, and adding a new suffix. However, sometimes it is just a generic 
name like prettyplot.ps or clustalw.aln. We encourage you to change generic names to something 
meaningful.

Apart from the fact that filenames like prettyplot.ps give you little idea what is in the file, if you do not 
change the name, the next time a file of the same name is generated, you will overwrite previous results.

A common problem: what is a text file and what is not

If you didn’t work through the section on text files in part 1 we suggest you do so now.  This part reiterates 
the key points.

Sequence data are usually stored in text or binary files. Text files contain data you can look at in a text editor.
Binary files are not human readable. The file formats referred to in the table above are all text formats. 
Examples of binary formats include ABI sequences and SFF sequence files.

Word documents may look like text, but they aren’t. The letters you see on the page of a Word document 
(or OpenOffice Write, or other word processing programs) are stored along with layout data in a binary 
format.

Most sequence analysis programs expect text. Plain old, nothing fancy, text.

It is an unusual situation to need to use sequence data that has been stored as a Word document (if it is not 
unusual to you, you are probably doing things the hard way!).  To get a text document when using Word, 
save it as text only

39

Rule of thumb

If you are using Word or any other word processing program at any stage your work with sequences, then it is 
very likely that your life could be made a lot easier. 

Please seek advice about other ways to handle your data. You will almost certainly save yourself time and 
frustration. Honest.


Exercise 2-2a

A useful Linux command to find out what type of file you are dealing with is file.  This does not 
look at the filename but interrogates the file contents directly.

In your bioinf_files directory is the file example.xls. Move into your bioinf_files directory 

if you are not already there and try running the command

file  example.xls

 In the bioinf_files directory is a file called testseq1.embl. Try running the command

file  testseq1.embl

GZipped files in bioinformatics
gzip is a simple compression program, which you met right at the start of this course when you unpacked a 
.tar.gz file.  Any file can be compressed with gzip and .fastq.gz is now particularly popular as it saves a lot of
disk space.  Some programs deal with .fastq.gz files directly, but for others you have to gunzip them first.  
You can unpack the file on disk or use pipe syntax to feed it directly to your application.  The zcat command 
prints out the uncompressed contents of a gzipped file, so something like 

  zcat some_file.fastq.gz | some_app -

will work in many situations.  Remember that the “–” by convention tells the application to process the data 
received via the pipe.  This way you never have to store the big uncompressed file on disk.

bzip2 and xz are similar compression programs.  The tools bunzip2/bzcat and unxz/xzcat  are provided to 
unpack these files from the command line, but if in doubt just click on the file in the File Browser.  The 
graphical File Roller application will know how to unpack these and more file types.

40


Examples of running bioinformatics programs on Bio-Linux

Analysing sequences with QIIME

QIIME (pronounced ‘chime’) is a pipeline for performing microbial community analysis that 
integrates many third party tools which have become standard in the field. QIIME can run on a 
laptop, a supercomputer, and systems in between such as multicore desktops. QIIME is now 
included in the standard Bio-Linux distribution. 

As an example, we will use data from a study of the response of mouse gut microbial communities 
to fasting (Crawford et al., 2009). To make this tutorial run quickly on a personal computer, we will 
use a subset of the data generated from 5 animals kept on the control ad libitum fed diet, and 4 
animals fasted for 24 hours before sacrifice. At the end of our tutorial, we will be able to compare 
the community structure of control vs. fasted animals. In particular, we will be able to compare 
taxonomic profiles for each sample type, differences in diversity metrics within the samples and 
between the groups, and perform comparative clustering analysis to look for overall differences in 
the samples.

To process our data, we will perform the following steps, each of which is described in more detail 
in the Data Analysis Steps:

 Filter the sequence reads for quality and assign multiplexed reads to starting samples by 

nucleotide barcode.

 Pick Operational Taxonomic Units (OTUs) based on sequence similarity within the reads, and 

pick a representative sequence from each OTU.

 Assign the OTU to a taxonomic identity using reference databases.
 Align the OTU sequences and create a phylogenetic tree.

 Calculate diversity metrics for each sample and compare the types of communities, using the 

taxonomic and phylogenetic assignments.

 Generate UPGMA and PCoA plots to visually depict the differences between the samples, and 

dynamically work with these graphs to generate publication quality figures.

 What follows is a streamlined version of the exemplary tutorial provided by QIIME (which can be 
found athttp://qiime.sourceforge.net/tutorials/tutorial.html). Further details and parameters on the 
below commands and many more can be found at this site.

The material was compiled and adapted by Daniel Pass, School of Biosciences, University of 
Cardiff, for Bio-Linux courses June 2011.  Editorialised for QIIME 1.6 by Tim Booth, NEBC.

QIIME allows analysis of high-throughput community sequencing data
J Gregory Caporaso, Justin Kuczynski, Jesse Stombaugh, Kyle Bittinger, Frederic D Bushman, 
Elizabeth K Costello, Noah Fierer, Antonio Gonzalez Pena, Julia K Goodrich, Jeffrey I Gordon, 
Gavin A Huttley, Scott T Kelley, Dan Knights, Jeremy E Koenig, Ruth E Ley, Catherine A Lozupone,
Daniel McDonald, Brian D Muegge, Meg Pirrung, Jens Reeder, Joel R Sevinsky, Peter J 
Turnbaugh, William A Walters, Jeremy Widmann, Tanya Yatsunenko, Jesse Zaneveld and Rob 
Knight; Nature Methods, 2010; doi:10.1038/nmeth.f.303

41


Note:  Commands to type are shown in grey boxes like this.  Some commands in QIIME are too 
long to print on one line, so where you see  , you need to continue typing the command on the 

same line.

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd

tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/qiime_tutorial_data.tar.gz

Entering the directory (cd qiime_tutorial_data) and listing the files (ls) will show what was 
extracted:

Sequences (.fna)

This is the 454-machine generated FASTA file. 

Quality Scores (.qual)

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Mapping File (Tab-delimited .txt)

The mapping file is generated by the user. This file contains all of the information about the 
samples necessary to perform the data analysis. At a minimum, the mapping file should 
contain the name of each sample, the barcode sequence used for each sample, the 
linker/primer sequence used to amplify the sample, and a Description column.

custom_parameters.txt

Structured file which can be customised to easily tune each analysis.

qiime_tutorial_commands_serial.sh

This is a script which will run all of the commands that we are about to see without user 
input.

Data

This directory contains the reference files required for alignment of the OTUs.

To begin working with QIIME, you must enter the QIIME shell by typing ‘qiime’ in your working 
directory. This has been successful if the prompt changes to end in ‘qiime >’.  The commands 
below will only be recognised within the special QIIME shell.

Assign Samples to Multiplex Reads
The first task is to assign the multiplex reads to samples based on their nucleotide barcode. Also, 
this step performs quality filtering based on the characteristics of each sequence, removing any low 
quality or ambiguous reads. The script for this step is split_libraries.py, but before running it we 
make a directory for all the output:

42


cd qiime_tutorial_data
pwd

#This should show we are in qiime_tutorial_data

mkdir out

#This makes a directory for the results to go in

split_libraries.py -m Fasting_Map.txt -f Fasting_Example.fna -q Fasting_Example.qual -o split_library

This invocation will create three files in the new directory split_library/:

split_library_log.txt

This file contains the summary of splitting, including the number of reads detected for each 
sample and a brief summary of any reads that were removed due to quality considerations.

histograms.txt 

This tab delimited file shows the number of reads at regular size intervals before and after 
splitting the library.

seqs.fna

This is a fasta formatted file where each sequence is renamed according to the sample it 
came from. The header line also contains the name of the read in the input fasta file and 
information on any barcode errors that were corrected.

Processing sequences into OTUs 
There are several steps to go through to produce the annotated OTUs from the input sequences, 
however the following 5 steps can be called using the ‘pick_de_novo_otus’ command found at the 
end of this section.

1. Pick OTUs
Using the seqs.fna file generated from split_libraries.py, the sequences are clustered into 
Operational Taxonomic Units (OTUs) based on their sequence similarity. This basic command uses 
the default parameters: uclust matching, 0.97 sequence similarity, no reverse strand matching.

pick_otus.py -i split_library/seqs.fna -o out/uclust_picked_otus

2. Pick representative
Since each OTU may be made up of many sequences, we will pick a representative sequence for 
that OTU for downstream analysis. This representative sequence will be used for taxonomic 
identification of the OTU and phylogenetic alignment. (options: random, longest, most_abundant, 
first)

mkdir out/rep_set

#This makes a subdirectory to store the representative set

pick_rep_set.py -i out/uclust_picked_otus/seqs_otus.txt  -f  split_library/seqs.fna 

-o out/rep_set/seqs_rep_set.fasta  –rep_set_picking_method most_abundant 

3.  Assign taxonomy
You can compare your OTUs against a reference database of your choosing. For our example, we 
will use the default RDP classification system assignment method which comes ready with QIIME, 
however BLAST is also an option.

assign_taxonomy.py -i out/rep_set/seqs_rep_set.fasta -o out/rdp_assigned_taxonomy

43


4.  Make OTU table
Tabulates the number of times an OTU is found in each sample, and adds the taxonomic predictions
for each OTU in the last column if a taxonomy file is supplied.

make_otu_table.py -i out/uclust_picked_otus/seqs_otus.txt  

-t out/rdp_assigned_taxonomy/seqs_rep_set_tax_assignments.txt  -o out/otu_table.biom

5. Align sequences 
Alignments can either be generated de novo using programs such as MUSCLE, or through 
assignment to an existing alignment with tools like PyNAST. For small studies such as this tutorial, 
either method is possible. However, for studies involving many sequences (roughly, more than 
1000), the de novo aligners are very slow and assignment with PyNAST is preferred.

align_seqs.py  -i out/rep_set/seqs_rep_set.fasta -o out/pynast_aligned_seqs 

–alignment_method  pynast  -t data/core_set_aligned.imputed.fasta

6. Filter alignment command 
Before building the tree, the alignment must be filtered to remove columns comprised only of gaps.

filter_alignment.py -i out/pynast_aligned_seqs/seqs_rep_set_aligned.fasta 

-o out/pynast_aligned_seqs  –lane_mask_fp data/lanemask_in_1s_and_0s

7. Build phylogenetic tree command 
Produces a newick formatted tree file (.tre) which can be viewed using most tree visualization tools.
Method options: clearcut, clustalw, raxml, fasttree_v1, fasttree(default), muscle

make_phylogeny.py  -i out/pynast_aligned_seqs/seqs_rep_set_aligned_pfiltered.fasta -o out/rep_set.tre 

The above commands are integral to QIIME and further downstream analysis. Once their function 
and process is understood, the parameters can be set in the custom_parameters.txt file and run 
sequentially using the workflow script:

pick_de_novo_otus.py -i split_library/seqs.fna -p custom_parameters.txt -o out 
# Make sure you change the path in the custom_parameters.txt file before running this command

Data to information
QIIME has many different ways to visualize and interrogate the data. Here we will explore just a 
few.

Note: To open a HTML file type: 

firefox filename

44


Heatmap
The QIIME pipeline includes a very useful utility to generate images of the OTU table. You can 
open this file with any web browser, and will be prompted to enter a value for “Filter by Counts per 
OTU”. Only OTUs with total counts at or above this threshold will be displayed. The OTU heatmap
displays raw OTU counts per sample, where the counts are coloured based on the contribution of 
each OTU to the total OTU count present in that sample.

make_otu_heatmap_html.py -i out/otu_table.biom -o out/otu_heatmap

Taxonomy Summary Charts
The taxa of the samples can be visualised at each taxonomic level (see the' –L flag). 
Here, summarize_taxa.py produces a text file at the Phylum level (Level 2=Domain, 3=Phylum, 
4=Class, 5=Order, 6=Family, 7=Genus) and plot_taxa_summary.py produces the html output. 

summarize_taxa.py -i out/otu_table.biom -o out/taxa_summary -L 3 

plot_taxa_summary.py  -i out/taxa_summary/otu_table_L3.txt -l Phylum -o out/taxa_charts -k white

Diversity
Community ecologists typically describe the microbial diversity within their study. This diversity 
can be assessed within a sample (alpha diversity) or between a collection of samples (beta 
diversity).

Alpha
Alpha diversity will be calculated and displayed though using this workflow. The full list of metrics 
available can be found athttp://qiime.sourceforge.net/scripts/alpha_diversity_metrics.html. The 
html visualisation file can be found at ‘out/arare/alpha_rarefaction_plots/rarefaction_plots.html’ 

alpha_rarefaction.py -i out/otu_table.biom -m Fasting_Map.txt  -o out/arare  -p custom_parameters.txt  -t out/rep_set.tre

Beta
Beta diversity can be represented in many different ways, shown below. By rarefying the samples to
the smallest set (in this example dataset, 146 sequences) sample heterogeneity can be removed.
Firstly, 3d plots are generated using unifrac.

beta_diversity_through_plots.py -i out/otu_table.biom  -o out/bdiv_even146  -p custom_parameters.txt

-m Fasting_Map.txt  -t out/rep_set.tre -e 146

To view a 3d plot, navigate to the jar directory within the metric you wish to view 
(weighted/unweighted, continuous/discrete) and enter ‘java -jar jar/king.jar */*.kin’ where you can 
then view the output. The more traditional 2d plots are also generated by unifrac:

45


make_2d_plots.py -i out/bdiv_even146/unweighted_unifrac_pc.txt  -o out/bdiv_even146/unweighted_unifrac_2d

-m Fasting_Map.txt  -k white -p out/bdiv_even146/prefs.txt

These are easiest viewed through the html page: 
‘out/bdiv_even146/unweighted_unifrac_2d/unweighted_unifrac_pc_2D_PCoA_plots.html’

Inter-Sample Distance
Distance Histograms are a way to compare different categories and see which tend to have 
larger/smaller distances than others. 

make_distance_histograms.py -d out/bdiv_even146/unweighted_unifrac_dm.txt 

-m Fasting_Map.txt -o out/bdiv_even146/distance_histograms -p out/bdiv_even146/prefs.txt

The html is found at:
‘out/bdiv_even146/distance_histograms/unweighted_unifrac_dm_distance_histograms.html’

Jackknifing & UPGMA
To measure robustness of the sequencing effort, we perform a jackknifing analysis, wherein a small 
number of sequences are chosen at random from each sample, and the resulting UPGMA tree from 
this subset of data is compared with the tree representing the entire available data set. This produces
jackknifed weighted and unweighted 2d and 3d plots like above, and also jackknifed trees found in 
the out/jack/ directory.

jackknifed_beta_diversity.py -i out/otu_table.biom -o out/jack -p custom_parameters.txt

 -e 110 -t out/rep_set.tre -m Fasting_Map.txt

make_bootstrapped_tree.py -m out/jack/unweighted_unifrac/upgma_cmp/master_tree.tre -s

  

out/jack/unweighted_unifrac/upgma_cmp/jackknife_support.txt -o 

 

out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

evince out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

A key feature of the QIIME interface is the ability to list the steps which you wish to run and have 
them sequentially performed by running them as a standard shell script. In the file 
qiime_tutorial_commands_serial.sh in your working qiime directory, you will find the commands
which we have just gone through. This can be called directly from the QIIME shell prompt and will 
produce the same output as we have achieved, with no user input. This can be edited, along with 
custom_parameters.txt to tune the analyses to your specific requirements. 

What is described above is a brief introduction to the type of analyses which QIIME can perform. 
Extensive details of the commands, parameters and metrics used can be found at 
http://www.qiime.org/scripts or through typing a QIIME command followed by ‘-help’ into the 
qiime shell prompt. 

46


Analysing sequences with MOTHUR

MOTHUR is another popular pipeline for performing microbial community analysis that integrates 
many third party tools which have become standard in the field. MOTHUR is included in the 
standard Bio-Linux distribution. 

As an example, we will use the same data used in the previous QIIME tutorial. Please refer to the 
previous QIIME tutorial for the description of the experiment and the data.

What follows is an adapted version of the exemplary tutorial provided by MOTHUR (which can be 
found athttp://www.mothur.org/wiki/Sogin_data_analysis). Further details and parameters on the 
below commands and many more can be found at this site. The material was compiled and adapted 
by Soon Gweon, NBAF.

Introducing mothur: Open-source, platform-independent, community-supported software for 
describing and comparing microbial communities. Schloss, P.D., et al.,  Appl Environ Microbiol, 
2009. 75(23):7537-41 

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd
tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/mothur_tutorial_data.tar.gz
cd mothur_tutorial_data

Entering the directory (cd mothur_tutorial_data) and listing the files (ls) will show what was 
extracted:

Fasting_Example.fna

This is the 454-machine generated FASTA file. 

Fasting_Example.qual

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Fasting_Example.oligos

This is generated by the user. This file is used to provide barcodes and primers to 
MOTHUR.

data

This directory contains the reference files required for alignment of the OTUs.

To begin working with MOTHUR, you must enter the MOTHUR shell by typing ‘mothur’ in your 
working directory. This has been successful if the prompt changes to end in ‘mothur >’.  The 
commands below will only be recognised within the special MOTHUR shell.

47


mothur

Assign Samples to Multiplex Reads and Quality Filtering
First, we need to separate each sequence according to the barcode and primer combination. The first
task is to assign the multiplex reads to samples based on their nucleotide barcode using the 
information from oligos file. Also, this step screens sequences based on the quality file, truncating 
reads at where the quality score falls below the threshold. The script for this step is trim.seqs:

trim.seqs(fasta=Fasting_Example.fna, oligos=Fasting_Example.oligos, qfile=Fasting_Example.qual, qaverage=25, 
minlength=200, maxlength=1000) 

This creates five files in the current directory:

Fasting_Example.trim.fasta 

This is the processed fasta file.

Fasting_Example.trim.qual 

This is the precessed quality file.

Fasting_Example.scrap.fasta 

This file contains sequences which fell below the thresholds (below quality score of 25, 

shorter 

than 200 bps or longer than 1000 bps)

Fasting_Example.scrap.qual 

This is the quality file for the scrapped sequences.

Fasting_Example.groups

This is a two-column list with the first column indicating the sequence names of those 

sequences 

in the Fasting_Example.trim.fasta file and the second column the group that it came 

from.

Generating Alignment & Distance Matrix 
The first thing we want to do is to simplify the dataset by working with only the unique sequences.
We are not chucking anything here, we are just making the life of your CPU and RAM a bit easier.
We do this with the command: unique.seqs

unique.seqs(fasta=Fasting_Example.trim.fasta)

We then need to generate an alignment of our data using the align.seqs command by aligning it to 
SILVA-compatible alignment database reference alignment. Please note that this step can take 
awhile to complete.

align.seqs(fasta=Fasting_Example.trim.unique.fasta, reference=data/silva.bacteria.fasta, flip=T)

Next, we need to filter our alignment so that all of our sequences only overlap in the same region 
and remove any columns in the alignment that don’t contain data. We do this by running the 
filter.seqs command.

48


filter.seqs(fasta=Fasting_Example.trim.unique.align)

Next, we want to calculate the column-formatted distance matrix, but we are only interested in 
distances smaller than 0.15 at this stage. We will do this using dist.seqs command. 

dist.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, cutoff=0.15)

Classify Sequences
We then need to classify our sequences using the MOTHUR version of the “Bayesian” classifier. 
We do this with classify.seqs command using the SILVA-compatible reference file and taxonomy 
file(http://www.mothur.org/wiki/Silva_reference_alignment)

classify.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, name=Fasting_Example.trim.names, 
template=data/silva.bacteria.fasta, taxonomy=data/silva.bacteria.silva.tax)

Renaming Files
This step is done only to make our life easier by making copies of some files and giving it nice and 
short names. The command system() allows you to run programs outside of MOTHUR without 
leaving the MOTHUR shell.

system(cp Fasting_Example.trim.unique.filter.fasta final.fasta)
system(cp Fasting_Example.trim.names final.names)
system(cp Fasting_Example.groups final.groups)
system(cp Fasting_Example.trim.unique.filter.dist final.dist)
system(cp Fasting_Example.trim.unique.filter.silva.wang..taxonomy final.taxonomy)

Clustering Sequences
Now we want to assign these sequences to OTUs for every possible distance up to and including a 
distance of 0.15. By default, this method uses the average neighbour algorithm.

cluster(column=final.dist, name=final.names, cutoff=0.15)

Generating OTU Table and Normalisation
Now that we have a list file, we need to create a table that indicates the number of times an OTU 
shows up in each sample. This is called a shared file and can be created using the make.shared 
command. We are only interested in the distance of 0.03 from the list file, so we give 0.03 to “label”
parameter.

make.shared(list=final.an.list, group=final.groups, label=0.03)

We then normalise the number of sequences in each sample. In order to do this, we need to know 
how many sequences are in each step. You can do this with the count.groups command.

49


count.groups()

From the output we see that the sample with the fewest sequences had 146 sequences in it, so we 
normalise all the samples to this number of sequences.

sub.sample(shared=final.an.shared, size=146)

Classifying OTU
The last thing we’d like to do is to get the taxonomy information for each of our OTUs. To do this 
we will use the classify.otu command to give us the majority consensus taxonomy.

classify.otu(list=final.an.list, name=final.names, taxonomy=final.taxonomy)

Converting the shared file to BIOM-format
The make.biom command allows you to convert your shared file to a biom file. Please refer to 
http://biom-format.org/documentation/biom_format.html for detail.

make.biom(shared=final.an.shared, contaxonomy=final.an.unique.cons.taxonomy)

Data to information
MOTHUR has many different ways to visualise and interrogate the data. Here we explore just a few.

Heatmap
Now we’d like to compare the membership and structure of the various samples using an OTU-
based approach. Let’s start by generating a heatmap of the relative abundance of each OTU across 
the 24 samples using the heatmap.bin command.

heatmap.bin(shared=final.an.shared)

The output will be in a SVG-formatted file called final.an.0.03.heatmap.bin.svg. In this heatmap, 
the red colors indicate communities that are more similar than those with black colors.

Venn Diagram
MOTHUR allows you to generate a Venn diagram with 'venn command. Let’s take a look at the 
Venn diagram for PC.354 and PC.355.

venn(shared=final.an.shared, groups=PC.354-PC.355)

This generates a file called final.an.0.03.sharedsobs.PC.354-PC.355.svg. To view the file, type the 
following in another terminal:

eog final.an.0.03.sharedsobs.PC.354-PC.355.svg

When generating Venn diagrams we are limited by the number of samples that we can analyze 
simultaneously. MOTHUR can generate up to 4-way Venn diagram:

50


venn(shared=final.an.shared, groups=PC.354-PC.355-PC.356-PC.481)

Finding and running useful scripts
Scripts are small programs written in a scripting language such as Perl or Python or even by compiling 
commands you’d run directly in the shell into a shell script file.  Unlike normal binary applications, the 
program files can be examined and edited directly using a text editor.  However, Linux is able to run these 
text files as if they were compiled programs by automatically invoking the appropriate interpreter named on 
the first line of the script – for example if the first line of a script says:

  1. !/usr/bin/perl

Then the script will be run using the Perl interpreter.  Writing scripts is beyond the scope of this course, but it
is useful to be able to run scripts that others have written.  

Exercise

http://nebc.nerc.ac.uk/tools/code-corner/scripts

Visit the above link, then find the “fastagrep” script located under [http://nebc.nerc.ac.uk/tools/code-corner/scripts/sequence-formatting-and-other-text-manipulation “Sequence Formatting and Other 
Text Manipulation”].  (If you don’t have a net connection there is also a copy in bioinf_files)

Make a folder called “scripts” in your home directory and save the file there.

In a terminal run the command chmod a+x scripts/fastagrep to tell Linux that this file is an 
executable script.

Type ~/scripts/fastagrep to actually run the script.  In this case you will see basic help.

Fastagrep is a script to help extracting sequences of interest form a multi-FASTA file by matching text in the 
header lines.  It is a FASTA-aware version of the standard Linux ’grep’ command introduced in part 1.  An 
example invocation of fastagrep in the case where the FASTA file has Uniprot-style headers would be:

~/scripts/fastagrep -F ’OS=Zea mays’ uniprot_sprot.fasta

Here, the -F flag specifies an exact text match and the ’OS=…’ syntax is specific to 
the headers used by Uniprot.

Tip: 

If you get a “permission denied” error when running the script, it normally means that you missed 
out the chmod a+x … part.

If you get a “bad interpreter” error it means that the interpreter named on the first line of the file 
cannot be found on the system.  You can always run the interpreter explicitly – eg. by typing perl 
scripts/fastagrep.

A practical exercise using fastagrep is included in the next section.

Aligning sequences using MUSCLE

Aligning multiple sequences is a very common task, as it is the first step to comparing related sequences.  
There are many algorithms for performing gapped global alignments over a set of sequences, most of which 
can be used on either nucleotide or peptide input.  Many web based tools offer to align sequences, for 
examplehttp://uniprot.org can align sequences retrieved from a search on the reference database, and 
additional sequences can also be uploaded and added to the alignment.  GUI applications like ClustalX and 
Jalview can call alignment applications like Clustal, MUSCLE, and MAFFT for you and display the results 
graphically.  

Sometimes you may want to run the alignment directly from the command line – reasons for this include:

51


You want to fine tune the options passed to the aligner

You want to use an aligner program that is not supported by the GUI or website you are using

You want to run the alignment remotely – for example on a powerful departmental server

You want to run several alignments at once using a loop or a short script

Exercise

Plants contain many closely related genes in the cellulose synthase family.  Previous studies have examined
these in some model organisms, eg maize[ref below].  It might be useful to compare the cellulose synthase 
genes in another plant of interest, or to align bacterial homologues against the plant genes.
For use in this exercise, the file all_cellulose_synthase.fasta in the example files directory 
contains all the reference cellulose synthase genes from Uniprot (selected with the query 
“name:cellulose synthase”).

1. Ensure that you have the fastagrep script available from the previous exercise. 
2. Use fastagrep to extract all the sequences that come from oilseed rape (Brassica napus).
3. Modify your command so that instead of printing the matching sequences to the terminal 

the results are saved as a file.

Hint – this involves using the operator

4.  Now invoke MUSCLE with the default parameters to perform the alignment.  Use the 

following command but replace the ??? with the appropriate filename:

muscle -in ??? -out seqs.aln

5. Run the Jalview application from the bioinformatics menu.  Close the default project 

windows that appear, and select “Input Alignment -> from File”.  Now load seqs.aln
enable colouring in the Colour menu and bring up the overview window from the view 
menu.

Jalview has many options for viewing and editing the alignment, drawing trees, etc.

For comparing alignments, you may want to add the “-stable” flag to the muscle command in order to 
maintain the sequences in the same order as the input FASTA file.

[ref for paper mentioned above]
Holland et al. 2000. A comparative analysis of the plant cellulose synthase (CesA) gene family.
http://www.ncbi.nlm.nih.gov/sites/entrez?db=pubmed&cmd=search&term=10938350

52


BLAST

The Basic Local Alignment Search Tool (BLAST) searches for regions of local similarity between 
sequences. The program compares nucleotide or protein sequences or patterns to sequence, or sequence-
related, databases and calculates the statistical significance of matches.

The documentation here covers only the most commonly used BLAST implementation, BLAST+ from 
NCBI. There are several other BLAST varients that essentially do the same thing.  Some are commercial, for
example AB-BLAST from  Advanced Biocomputing LLC, formerly known as WU-BLAST.  There are also 
many other programs that search sequence databases and perform local alignments.  Before relying on 
BLAST as your search tool you should consider whether one of these might better suit your analysis needs.

A few examples of ways to run BLAST, on Bio-Linux or otherwise

Locally installed command line against locally installed BLAST databases

Locally installed command line against remote databases

Locally through options in graphical programs (e.g. under the Run menu in Artemis)

Remotely through ssh tunnelling or the remote BLAST options in Artemis. 

Remotely on websites such as those available at the NCBI and EBI

Remotely using webservices, either through programs such as Taverna, or through scripting

For this course, we assume that you are familiar with running BLAST searches using at least one web-based 
interface. If you are not, then this is a good time to look at the facilities offered  through one of these sites, 
and to try BLASTing some of the example sequences in the coruse folder:
  

NCBI:

http://blast.ncbi.nlm.nih.gov/Blast.cgi

  

EBI:

   

http://www.ebi.ac.uk/Tools/sss/

Bio-Linux includes both the BLAST+ package and the older NCBI “blastall” implementation.  Information 
and links in the Bio-Linux Bionformatics Documentation System (icon on your Desktop) provide 
information on both packages.   The ncbi-blast+ package contains a number of programs allowing you to 
carry out different types of searches, as well as to create databases, reformat reports, etc.

What this course covers
This course covers how to run BLAST+ programs via the command line and a few simple steps you can take
to work with more than one sequence at a time. We also cover how to install your own BLAST databases in 
Appendix C. We do not cover the internals of BLAST searching in any detail or how to interpret BLAST 
results. 

Why use BLAST on the command line?
The web resources available for BLAST are highly developed, usually stable, and have access to a much 
greater set of data than most people will have available locally. They also often provide lovely graphics and 
links out to other data resources or analysis programs. So why use the command line at all?

For small volumes of data, where you wish to search a commonly available database or subset of data 
available through a website, then web access is a very good option. Web-based utilities are also good for 
experimenting with parameters when determining useful settings for your investigation. The command line 
comes into its own for setting up searches quickly, for processing large volumes of data, for automating your 
searches, and for giving you the ability to get just the information you want returned from the BLAST 

53


searches. (This last point has been made easier than ever in the newer BLAST+ programs, where you can, to 
a certain extent, specify which information to return in a tab delimited format1.

General considerations for database searching
Database searching should be approached like an experiment. In particular: define your aims before your 
start. This will save you an enormous amount of time, both in terms of time taken doing searches and time 
taken bringing together and reporting your findings later.

Before you start searching with a sequence, it is useful to outline your answers to questions like:

What am I trying to find out/what do I want to do with the results?

What kind of database do I want to search with my sequence? E.g. nucleotide, protein, pattern, profile?

Which database(s) in particular do I want to search? Why?

Are there are any subsets of the database that I could or should restrict my search to?

Do I want to take into account potential frameshifts in my coding sequences?

What format is my sequence in?

Do I want to filter my sequence for repeats and low complexity regions before searching?

Is the scoring system I’ve chosen appropriate?

Where and how will I store a record of the parameters I’ve used and the database version I’ve searched 

with? 

A very, very brief introduction to BLAST+
'''BLAST+ includes programs to perform searches with different types of input against databases holding 
different types of data. Each search combination is referred to by a particular name and has its own 
command.  A table of the basic BLAST “flavours” and what they do is given below.

Blastall flavour

Input sequence type

Database sequence type

blastn

nucleotide

nucleotide

blastp

peptide

peptide

blastx

nucleotide (6 frame conceptual

translation is created during run)

peptide

tblastn

peptide

nucleotide (6 frame conceptual

translation is created during run)

tblastx

nucleotide (6 frame conceptual

translation is created during run)

nucleotide (6 frame conceptual

translation is created during run)

1 You can return most information you want using the tab delimited output options in BLAST+. However, a key thing 

missing is the Description field – usually the most interesting field for a biologist! To get this field, along with 
others, out of a BLAST report, it is still necessary to consider custom scripting – or grabbing someone else’s script 
that does the job!

54

We HIGHLY recommend you invest time learning about what BLAST does in detail, including how it works 

and what the statistics is produces mean. The “take the top hit” method will rarely serve your research well. 

We provide a list of references and helpful web pages in Appendix C that we hope will help you learn more 

about blast programs.


There are many other programs available as part of the BLAST+ release apart from the ones above. These 
include blastdbcmd, dustmasker, psiblast, rpsblast+, segmasker and srsearch.. These programs are not 
covered here, but are worth learning about for your own work.

How a BLAST database looks on the file system
A typical BLAST database consists of three files names with extensions '.pin .phr and .psq for protein 
databases or .nin .nhr and .nsq for nucleotide databases.  These files represent a specially indexed version 
of a multi-fasta source file.  Do not try to examine the files in a regular text editor (they appear as garbage), 
and do not try to split the files apart.  When invoking BLAST commands, just give the path to the database 
without any extension (see examples).  BLAST will know to find and read the three files.

A simple blastp search
The following is a basic blastp command – you can run it from within the course folder.

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

The command is easy to understand when you break it down. It means:

run blastp, i.e. a peptide sequence will be used to search a peptide database. 

The database (-db) to be searched is called sprot and can be found in the blastdb directory.

The input sequence (-query) is cd4_cerae.fasta.

Only report results of sequences with e-values (-evalue) better than (i.e. lower than) 0.0001.

Put the results of this search in the file cd4_cerae.blastp, using standard shell redirection 
(>).

You can fine tune BLAST easily using additional command line options. We highly recommend that you 
read   about BLAST and determine appropriate settings for your research questions. This will ultimately save
you a huge amount of time and energy.

A copy of the Swissprot part of Uniprot, formatted for BLAST searches, is located in the directory blastdb
under your bioinf_files directory. We do not fully cover the use of makeblastdb in this course, but some 
more info is shown in Appendix C. For completeness, the steps we took, including the command we used to 
create the BLAST formatted Swissprot database, are as follows:

We downloaded the fasta formatted swissprot file from 

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/swissprot.gz  

into the blastdb directory under bioinf_files. 

We then used the makeblastdb command in a one-liner run within the blastdb/ directory.

gunzip -c swissprot.gz | makeblastdb -title Swissprot -out sprot -dbtype prot -in -

Note the use of a hyphen “-” in place of a filename tells the command to get the input via the pipe “|”.  This 
does not work in all cases but is a common convention in command line tools.

55

Reference databases for BLASTing would normally be stored in a shared location

You can either give the full or relative PATH to your blast databases within the blast command, or you can 
store  your  blast  databases  in  a  location  that  is  supplied  as  the  value  for  the  BLASTDB  environmental 
variable and just provide the database name in the blast command line. 

When loading reference BLAST databases onto Bio-Linux 6 you can can put them in the default BLASTDB 
location /home/db/blastdb OR change the environmental variable BLASTDB to a location appropriate for 
your work. If you do not have sudo access you will need to talk to the system administrator of the machine 
about this. Note that the default location for blast databases may be different on different machines, and may 
change on Bio-Linux in the future. 


For the purposes of this tutorial, we will give each BLAST command the explicit location of the BLAST 
database to search.

Exercise

Move into the bioinf_files directory if you are not already there. 

List the files in the blastdb subdirectory. The files called sprot.p* are the files that BLAST uses when 

it searches.

From within the bioinf_files directory, run the example command given previously, ie:

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

Look at the results file that has been created.

Try a blastx search on the file unknown.fasta.  This time set the evalue to 1 and save the results in 

unknown.blastx.  The command you use will start like this:

blastx -db blastdb/sprot -query unknown.fasta …???…

Recall that a blastx search translates a nucleotide sequence in six frames and searches a peptide database.

Look at the results file.

blastp expects a peptide query file, and blastx expects nucleotides.  What would you expect to happen

if you use an inappropriate BLAST flavour?  Try it and see.

Formatting BLAST output
You have now seen the default report format for BLAST searches. There are many options available using 
the -outfmt option with a numerical argument between 0 and 11. The default is -outfmt 0

The BLAST+ commands don’t (currently) have man pages, but to see a list of all the -outfmt options you 
can use the builtin help function:

blastx -help | less

Exercise

Run either of the above BLAST searches again, this time adding the parameter -outfmt 6 to the 

command. Make sure you change the name of the output file as well, or else just let the results get printed 
to the screen. 

Look at the results from this search and compare it to what was returned using default formatting. Is it 

easier or harder to read? Is there information present in one report that is not in the other? 

Note:''' BLAST+ programs offer finer control over the format and contents of results returned – see the help 
page as mentioned above.

56


Handling multiple sequences
BLAST makes it easy to deal with a medium-sized number of sequences at once – say up to a few hundred. 
For thousands of sequences, you will probably want to use the ideas introduced here, in conjunction with 
running your searches on a compute cluster and using scripts to pull out information of relevance from the 
result files.

The general principle of needing more sophisticated techniques as the data volume increases applies to pretty
much any bioinformatics task.

First we’ll look at BLASTing a file containing more than one sequence
In the next section we’ll process multiple sequences as input using a “foreach” loop

BLAST searching using fasta files containing more than one sequence

Exercise

Look at the contents of the file multiseqs.fasta in your bioinf_files directory. How many sequences 

are in this file? 

Run a blastx search using  multiseqs.fasta as the input file. 

blastx -db blastdb/sprot -query multiseqs.fasta -evalue 0.4 > multiseqs_1.blastx

Look at the results file to see how the results have been reported. How easy would this be to read and 

understand?  Could you load the results into other software tools? 

Try the above query again, but with the -outfmt 6 flag. 

Read about the -num_descriptions, -num_alignments and -max_target_seqs flags in the BLAST+ 

documentation. For very small studies, where you might read through the BLAST reports yourself rather 
than doing further processing on them using the computer, these flags may help you otherwise. 

Processing multiple files using a foreach loop
This section introduces a powerful shell feature that allows you to quickly automate repetitive tasks.  In this 
case we’ll use BLAST to illustrate the use of the loop, so you’ll need to look at the previous exercise before 
attempting this one.
A foreach loops say to the computer:

“For each thing in this list, do the following:”

So, when running multiple BLAST searches, you might want to do something like: 

“For each sequence in my list, run a blastx search against my Swissprot database.”

You can also create nested foreach loops. For example, if you had a list of sequences and a list of databases, 
you could use a nested foreach loop to get the computer to do something like this:

“For each sequence in my sequence list, run a blastx search against each database in my database list”

You can run a foreach loop on arbitrarily long lists.  However, for the exercises below, we will use just five 
sequences:

 testseq1.fastatestseq2.fastatestseq3.fastatestseq4.fasta and testseq5.fasta

57


The foreach loop explained step by step

You need to tell the computer the list of files to work on. Here, we will use a glob pattern match to indicate 
the list of sequences we want to work with.  Recall that echo simply prints its arguments and so can be used 
to show glob expansions:

echo testseq*.fasta 

or, if we wanted to be more specific: 

echo testseq[1-5].fasta 

We bind each file in the list to a loop variable within the first line of the foreach loop.  So the following says:
“take each file in this list in turn and refer to it as j”:

foreach j in testseq[1-5].fasta

When we finish, our complete foreach loop will state:

foreach j in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx
done

This means: for each sequence in the list in the first line, run the command in the second line. When all the 
sequences in the list have been dealt with, then finish. 

Loops are very powerful and useful, so it is worth understanding exactly how they work.  A more detailed 
explanation follows.

Explanation of the first line of a foreach loop:

we have used the command “foreach”.  It’s not the only way to write a loop but it is the most used.

the “j” is a name we choose to refer to “each thing” – more specifically, for each thing we get to in the 

list, let’s refer to it by the name j.  This is an arbitrary name. You can use whatever you want. So the 
following are equally correct to the line given above:

foreach myThing  in testseq[1-5].fasta 

calls each list item  in turn “myThing

foreach x in testseq[1-5].fasta 

calls each list item in turn “x

foreach seq  in testseq[1-5].fasta 

calls each list item in turn “seq

Once you have chosen a name for each thing in your list, you must use that name with a dollar symbol “$” to
refer to the list item in any commands that follow within the foreach loop. Recall how the $ construct also 
lets you access the contents of environment variables, like $BLASTDB.

58

Please note that the syntax used this section assumes that you are in the default Z­shell. If the

commands fails for you and you are sure that you have typed them in correctly, please check your shell.

You can identify your current shell by typing the command 

echo $0.  If you are not in the z­shell (zsh) 

already, just type 

zsh in your terminal window.

Other shells provide the same functionality as the foreach loop demonstrated here, but the syntax is different.


The keyword in is followed by a list of things to loop over.  In this case the list is being generated as the

result of a single glob pattern expansion, but this need not be the case.  You can list items explicitly, use 
multiple patterns, or even generate a list on-the-fly using backtick substitution (not covered in this tutorial).

The semicolon serves to terminate the list of items to be processed, and do primes the shell to accept 

one or more commands to be run within the loop.  The single command done terminates this list.

So the overall effect of that one line is: “foreach thing that matches the pattern testseq[1-5].fasta, do 

the following:”, and after that you just supply a regular command to run.  Note how we can reference $j as 
the input sequence and also use $j.blastx to generate a filename for the results – ie. the original name 
with .blastx appended.

Hint:  It is usually a good idea to check that the command or pattern used to create a list does actually 
generate the list you expect before including it within a foreach loop.  Once common trick is to add echo

on the start of the command within the loop, so the commands are printed to the screen but not run.

Exercise

Set up a foreach loop to run blastx searches using the five testseq*.fasta sequences with the Swissprot 
database:

Type this command to begin the foreach loop as described above:

foreach  j  in testseq[1-5].fasta ; do

You will now be seeing something like:

live@machine[bioinf_files] foreach j in  testseq[1-5].fasta ; do
foreach>

The foreach>  is a prompt, much like the regular prompt – it is here we tell the computer what we 

want it to do with each item in the list. To do this, type:

blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx

Recall that we defined each thing that we want to work on by the letter j in the first line of the 
foreach loop. In each subsequent line of the foreach loop, we refer to each thing by prefacing the j 
with a $ sign. 

Each $j in that command will be replaced by the name of a file from the list. 

So here, the blastall command is executed with each filename in turn, and output files are named 
using the sequence filename with .blastx appended.

You will now see another foreach> prompt, inviting a second command, but you are done so type

done

This indicates that there are no more processing steps to include in this foreach loop. 

After running the foreach loop successfully, type the command

ls  -l  *blastx  

59


You should now see that you have five blastx results files. Imagine you had 100 sequences to blast – you 
could set up a foreach loop and go get a coffee. (Of course, you still need to figure out how you’re going to 
use or analyse the results files if you’re working with large numbers of sequences.)

We mentioned above that the j in the foreach loop was an arbitrary name. As an example, if we had used seq 
instead of j, the foreach loop would have been written:

foreach seq  in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $seq  -evalue 0.01  -out $seq.blastx
done

Notice that we have just replaced each instance of $j with $seq.  Be careful, as the shell will not notice if 
your names do not match up, but will just substitute blank spaces into the command.

Exercise

Look through all the files called  testseq*.blastx by using the command less:

less  testseq*.blastx

To go to the next document, you need to type the two-character command  :n 

To quit, press  q

Why go to all this trouble when we could just create a multiple fasta file and run a BLAST search in one go?

Well, there is often more than one way to do a task, but foreach loops can be used with any programs – not 
just BLAST – and not all programs will take multiple inputs, so this method is widely applicable.

Multiple tasks, and even inner loops can be carried out in a single foreach loop, as the following 
example shows. 

60


Exercise – advanced looping

If you have time, you can run the following foreach loop. Try to figure out what it does before running it. 
You may need  to read the man pages for basename and cut to understand all the steps being taken.  Note,
the text has been indented for clarity but you need not type it like this. Also note the special quotes in the 
second line are backticks obtained with the key at the top left of the keyboard, next to number 1.  These 
serve to capture the output of the basename command into the newname variable, and later to drive an 
inner loop from a list contained in a file.  (Earlier, we said these wouldn’t be
covered in the course, but here’s a little taster.  Backticks are a powerful feature
for any aspiring command-line guru to master!)

foreach seq in  testseq[1-3].fasta ; do
  newname=`basename $seq  .fasta`
  mkdir $newname
  pushd $newname
  blastx -db ../blastdb/sprot  -query  ../$seq  -evalue 0.01 -outfmt 6  -out $newname.blastx
  cat $newname.blastx | cut  -f2  >  top5.list
  for hit in `cat top5.list` ; do

                 wget -q [http://www.uniprot.org/uniprot/$hit.txthttp://www.uniprot.org/uniprot/$hit.txt”
]               done

  popd
done

You can get the Z-shell to report what it is doing within loops and functions by running the command set 
-x.  To return to normal output type set +x.

Working with lots of BLAST results
Reading a few BLAST reports is fine, but when you have thousands, you presumably won’t be reading them 
one by one yourself. 
A common way to handle large volumes of BLAST results is to get the computer to process the report files, 
pulling out key information. You can try using the various -outfmt options, which give you a great deal of 
fine tuned control over what to report in tab delimited format. Alternatively, you can use a customised script. 
You might choose to load such extracted information into a database, or for small scale studies, into a 
spreadsheet. This topic is not covered further in this course, but we recommend BioPerl modules for parsing 
BLAST report files. Example BioPerl scripts for BLAST parsing can be found on your Bio-Linux machine 
under the following directory:

/usr/share/doc/bioperl/examples/searchio

61


EMBOSS Programs

EMBOSS is an extensive package of programs that cover areas of bioinformatics analysis including: 

Sequence alignment

Rapid database searching with sequence patterns

Protein motif identification, including domain analysis

Nucleotide sequence pattern analysis—for example to identify CpG islands or repeats

Codon usage analysis for small genomes

Rapid identification of sequence patterns in large scale sequence sets

Presentation tools for publication

We recommend that you refer to the official EMBOSS overview at 
http://emboss.sourceforge.net/what/#Overview to find out more about the extensive functionality available
via EMBOSS programs.
EMBOSS also consists of an underlying programming library, in case you are interested in building your 
own EMBOSS tools. 
 

Ways to  run EMBOSS programs:

Locally installed, via the jemboss graphical interface  on your Bio-Linux machine*

Locall installed via graphical interfaces available under the Applications | Bioinformatics | Emboss 

menu

Locally installed, via the command line on your Bio-Linux machine*

Remotely on websites such as Mobyl:http://mobyle.pasteur.fr

Remotely using webservices

Biological databases and EMBOSS on Bio-Linux
Certain EMBOSS programs can talk to local or remote biological databases. The version of EMBOSS 
installed on Bio-Linux machines is pre-configured to access data from embl, emblcds, uniprot (including 
swissprot and trembl) and Refseq from the EBI. Information about how to change this configuration can be 
found at 

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/emboss-applications-and-databases

Sequence formats and EMBOSS
EMBOSS programs accept most common sequence formats. EMBOSS also includes a versatile tool called 
seqret that can be used to convert between sequence formats should you need to do this for other 
bioinformatics programs.

62


A comparison of the Jemboss  and command line interfaces for EMBOSS programs

Interface

Pros

Cons

Jemboss 

Graphical

Interface

Easy to see the programs available and what
type of analysis they do

Easy to run

Many programs accept input files with 
multiple sequences, either directly or using 
lists of sequence or filenames.

Documentation is easy to access

Much slower to set programs running than 
on the command line

Not always obvious how to save and where 
to save output 

Additional programs with EMBOSS 
interfaces are not available via this 
interface. e.g. there are emboss interfaces 
for phylip and hmmer programs, among 
others, which are useful when creating 
pipelines and automating tasks.

Programs that are interfaces to others (e.g. 
emma is an EMBOSS interface to clustalw) 
may not always work smoothly via 
Jemboss, even though they are fine via the 
command line.

Command

Line

Prompted command line makes programs 
easy to run 

Programs accept input files with multiple 
sequences either directly or using lists of  
sequence or filenames.

Easy to automate tasks and create pipelines 
of tasks

Documentation still easy to access

Prompted command line makes it easy to 
overlook many of the options available

You have to read the documentation to find 
out about the options available

Working with EMBOSS programs

We will run a simple 3 stage task twice – once using Jemboss and once using the command line so that you 
can experience ,and get a feeling for the differences between, the two interfaces.   The task is to fetch a 
sequence file from the EMBL database, extract all the mRNA sequences from the feature table and search for
palindromes in those mRNA sequences. 

63


Exercise – using Jemboss

Start Jemboss on Bio-Linux by typing jemboss on the command line. It can also be started by clicking

on the icon under the  Applications | Bioinformatics menu.

Click on each of the categories (e.g. Alignment, Display, etc) to see what programs are listed.

When you’re finished exploring, click on the Data Retrieval category and choose coderet which is 

under Sequence Data.

Scroll to the bottom of the window and click on the 

 button to bring up a documentation window. 

Read about what coderet does.

Figure 1: The Jemboss graphical interface to EMBOSS programs

Figure 2The GO button is pressed when you are ready to run the program. The i button pops up a 
window with documentation. Some, but not all programs, will also have an Advanced Options button that

will bring up, often very useful, optional fields.

64


Exercise continued

Scroll back to the top of the coderet form in the Jemboss window, and fill in a Sequence Filename. In

fact, we want to pull a sequence directly from embl at the EBI. The sequence we want is from a plasmid 
and has the accession number U80928. To fetch it from the EBI, you need to type:

embl:U80928

  into the Sequence Filename box.

Enter a filename into the outfile file name box. For example, to distinguish from your later 

work, you could use the name: jemboss_bx.coderet.

Scroll to the bottom of the window and hit the GO button.

When the program has finished, a new window called Saved Results should appear. (Don’t be

fooled – your results haven’t been saved yet!) There should be a number of tabs in that window. 
One will be called the name you entered into the the  outfile file name box (e.g.  
jemboss_bx.coderet) The others will likely be called things like u80928.cds,  u80928.noncoding, 
etc.

Take a look at the type of information in each tab. In particular, take note that:

each of the tabs that contains sequence information contains multiple sequences

the command line you would use to run this program identically to how you just ran it via

Jemboss is provided to you under the cmd tab. This will be useful later.

To work with any of this data further, you have to save it to a local file. Click on the tab with 

the name ending in .cds. Choose the File | Save to Local File… option and save this to a location 
you can find again (e.g. under your bioinf_files directory). Give it a name that will distinguish it 
from later work -e.g.  jemboss_bx.cds. Do not close the Saved Results window as we want to 
refer to the information under the cmd tab later.

Go back to the main Jemboss window, go to the Nucleic | Repeats section and choose 

palindrome from the list of programs. 

Browse for the file you just saved using the Browse files… button next to the box under 

Sequence Filename near the top of the page. Note that you’ll have to set the Files of Type: option 
to All Files to find your saved file because it has a .cds suffix.

Check that you’re happy with all the required options, and give a filename in the outfile file 

name box. For example, jemboss_palin.txt. Then press the GO button. 

Scan through the results to see what has been returned to you.

You can also view listings of the files on your system using the Jemboss file manager functionality. Click on
the symbol  at the bottom right side of the Jemboss window. If you double click on the name of a file that 
contains text, it will pop up in another window for you to view or edit. Note: the file listings in the Jemboss 
window are not updated unless you refresh them manually -  the regular file browser or the ls command are a
better way to keep track of what files have been created or deleted.

Using the EMBOSS command line

All EMBOSS commands follow a similar pattern: 

If you just type the command name, then you are prompted for required information. 

65


If you type the command name followed by -opt then you are prompted for optional 

information as well as required information. 

If you type the command name, followed by a minimum amount of information, and -auto, the

program runs and uses defaults for anything you have not specified in the command.

The full command (i.e. the command and all relevant options and values) can be specified by 

including parameters and arguments on the command line.

The command name followed by -h or -help brings up information about the main options for 

the program. 

The command name followed by -h -v brings up information about all options for the program

Typing tfm followed by the command name brings up the full documentation for the program. 

So, using the EMBOSS program seqret as an example, we could run:

seqret

Run seqret and prompt for required information.

seqret -opt

Run seqret and prompt for required and optional information.

seqret -sequence embl:X03487

Run seqret, specifying the sequence. Prompts for additional 

information.
seqret -sequence embl:XO3487 -auto

Run seqret, specifying the sequence. Defaults are used for all other 

options.
seqret -help

Show information about the main options for seqret

seqret -h -v

Show information about all options for seqret

tfm seqret

Show full documentation for seqret

Much more information about the EMBOSS command line syntax is available at:

http://emboss.sourceforge.net/developers/acd/commandline.html

Exercise – using EMBOSS command line

Look at the cmd tab in your jemboss results window for coderet. You should see the following:

coderet  -seqall embl:U80928  -outfile jemboss_bx.coderet -auto

This command runs coderet, specifies the sequence to use and sets the output file name. The -auto option 
indicates that you do not want to be prompted for further information. This results in default values being 
used for all options you have not specified on the command line. 

Read about coderet by bringing up the information via the command line:

coderet -h  or  coderet -help

brings up a list of main options

coderet -h -v

brings up a list of all available options

tfm coderet

brings up the full documentation

66


(EMBOSS commands exercise continued)

To make things simple, we will edit the command line in the coderet cmd tab of the Saved Results 

window in Jemboss, and then copy and paste our final command line into a terminal to run the program. 

Go to the coderet cmd tab of the Saved Results window in Jemboss, and edit the command to give a
new output filename. e.g. 

coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

Open a new terminal window and cd to your bioinf_files directory. Make a new directory to store your

result files (as it will make it easier to see what files the program generates by default). 

mkdir cl_dir

Change directory into your new directory, copy and paste the coderet command line above into the 

terminal and press the return key.  (Recall that we covered highlighting and pasting text using mouse 
buttons near the end of the first half of this tutorial.)  ie:

cd cl_dir
coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

When the program finishes, list the files in your directory. What has coderet produced? How does this 

compare with the tabs presented to you when you ran coderet via Jemboss? 

You may notice that we have generated a lot of files we don’t need. We could have specified to coderet that
we only wanted the mRNA sections from the embl entry  BX255937. To find out how, you’ll need to refer 
to the coderet documentation (the lists of options won’t tell you enough).

Now run palindrome on the mRNA sequence. To do this, you could edit, copy and paste the the 

command in the Jemboss Saved Results window for palindrome, or you can type palindrome on the 
command line and answer the prompts. Please run palindrome now, doing one of these.

Once you get to know it, the command line is much faster to get running than programs via Jemboss. 
However, the power of using the EMBOSS command line is much greater if you need to process groups of 
files, or do things repetitively. 

Below we’ll go through an example of running an emboss program on a batch of files using a single 
command. 

If you want to run a job like this repetitively, you can save the commands in a text file and then set things up 
to get those command executed whenever you want (either by you directly, or by your

 computer at a time 

you schedule). We do not cover this in these course notes, but please ask the demonstrator if you would like 
to know more about this.

67


Exercise

Fetching a list of sequences using seqret.

Look at the contents of the file hexaseqs.list in your bioinf_files directory. e.g. using the 

command less. You will see a list of sequence ids and the database those sequences are in. 

Quit less. (hit q)

We need to tell EMBOSS programs when they are going to work on a list of files rather than 

just a single file. To do this, we preface the filename with the @ symbol. So, to fetch the list of 
sequences in the hexaseqs.list file, we can use the command:

seqret  -sequence  @hexaseqs.list 

The default behaviour of seqret is to fetch sequences in fasta format, with all sequences in a
single file with a filename that uses the id of the first sequence. By now you should know 
how to go about finding out how to alter aspects of the program behaviour like these.

Take a look at the sequence file you have generated. 

You can use this same “list of sequences” syntax with Jemboss. e.g. you could run seqret via
Jemboss and specify the sequence name as @hexaseqs.list.

68

  General things to keep in mind

If you suspect there may be a more 

efficient way to do what you are doing, there probably is!

If you find yourself doing anything 

repetitively, there is probably an easier way to do it.

 

Please 

read documentation and seek advice. It will save you a lot of time in the end!


A very basic sequence assembly
This demonstration takes you through a very simple assembly of some reads from a mitochondrial genome. 
This is in no way supposed to be a tutorial on genome assembly, but rather a way to see various tools in 
action on a small dataset.
This section of the course was originally written as a separate tutorial by Dan Pass. Note that, in all the 
commands given in this tutorial, $ represents your terminal prompt.  This is a common convention, even 
though the real prompt will be something like “live@biolinux[live]”. Lines beginning with # are comments 
and not to be typed.

Setup

Open up the Bio-Linux Documentation icon in the Dash menu, then the Introductory Tutorial 
folder. You should see several tar files. Select assembly_taster.tar.xz and right click it. Select 
Extract To… from the pop-up menu. Extract to your home directory, which on the Live USB system
is listed as live in the list on the left.

Open a terminal, then change into the new directory and list the files:

$ cd assembly_taster

  1.  -lh options to ls show human-readable file size

$ ls -lh

To get a quick look at the input data, you can view it in the less text file viewer:

$ less mt_reads.fastq

  1.  as usual, press q to return to the terminal.

Make a new directory to store your results:

$ mkdir results 

Quality Checking

Firstly, in receiving a set of sequence data it is paramount to assess the quality of the dataset. A useful tool is
FastQC which gives a quick graphical overview of the dataset.

Run FastQC on the dataset

$ fastqc -o results mt_reads.fastq

Open the HTML report file. 

  1.  The ampersand (&) will put the process in the background so you can still use the terminal

$ firefox results/mt_reads_fastqc/fastqc_report.html &

Split Barcodes
The sequencing data may be barcoded, depending on the experimental set up. Here, two mitochondria have 
been sequenced together, with differing 10bp barcodes at the 5’ end. This allows us to split the data into two 
sets whilst only performing one sequencing run. Here we use a standard script from the fastx toolkit 
(http://hannonlab.cshl.edu/fastx_toolkit/index.html)

69


Use fastx splitter splits mt_reads.fastq by barcode. 

  1.  –bol indicates that the barcodes are at the 5’ end.
  2.  Note the following command should be typed on a single line:

$ fastx_barcode_splitter.pl <mt_reads.fastq –bcfile mt_barcodes.txt

–bol –suffix .fastq –prefix results/

There are now two .fastq files in the results directory; one for each barcode. There is also an unmatched.fasta
file which should be empty. We will be focusing on the first mitochondrion, ie. the one now in 
results/mt1.fastq.

Clean Up
To remove artefacts and improve the assembly we will do two steps:

1) Trim barcodes
This removes the barcode sequences from the beginning of each read. The -Q33 is required due to 
differences in sanger and illumina encoding.

$ cd results
$ fastx_trimmer -i mt1.fastq -f 8 -o trimmed_mt1.fastq -Q33

2) Quality Filter

Removing

 low quality sequences increases the accuracy of the assembly. 

Here

 we remove any sequences which do not have >25 phred quality score (-q) at 80% of bases (-p). (n.b. 

https://en.wikipedia.org/wiki/Phred_quality_score)

Run the quality filter

  1.  -v instructs the script to give ‘verbose’ output and it is common to find in similar scripts.

$ fastq_quality_filter -i trimmed_mt1.fastq -q 25 -p 80 

-o qual_trim_mt1.fastq -Q33 -v

Note that you could have run both the previous commands in one shot, combined as a pipeline.

$ fastx_trimmer -i mt2.fastq -f 8 -Q33 | 

fastq_quality_filter -q 25 -p 80 -Q33 -o qual_trim_mt2.fastq

70


Assembly With Velvet
Velvet (https://www.ebi.ac.uk/~zerbino/velvet/) is a highly popular short-read assembler which is available

on Bio-Linux. There are countless parameters and combinations to achieve the best assembly, but we will 

run close to default here. We will assess the quality of the assemblies in the next step.

Run velvet in single-end mode with k=21

k’ signifies the Kmer length i.e. the length of sub sequences that the data is being broken up into, and is

one   of   the   most   important   parameters   to   manipulate.   Full   parameters   can   be   seen   by   typing   either
command with no flags.

  1.  You should still be in the results directory at this point
  2.  velveth is a ‘hash program’ which breaks down your data into Kmer sized sequences

$ velveth velvet_k21 21 -short -fastq qual_trim_mt1.fastq

  1.  velvetg performs de Bruijn graph construction, error removal and  repeat resolution

$ velvetg velvet_k21 -read_trkg yes -amos_file yes

Inspect the results in the Tablet graphical viewer (not ideal - we have 139 contigs):

$ tablet velvet_k21/velvet_asm.afg &

Quick ‘cheat’
VelvetOptimiser is a script which automatically tries multiple parameter combinations and returns the best 
assembly it can find. It can be helpful in pointing you in the right direction.

Try using velvetoptimiser

$ velvetoptimiser -s 27 -e 31 -f ‘-short -fastq qual_trim_mt1.fastq’ -a 1
$ tablet auto_data_31/velvet_asm.afg &

Assembly With Abyss
Abyss (http://www.bcgsc.ca/platform/bioinfo/software/abyss) is another popular assembler which we will 
run to give a comparison. Again, multitudes of parameters are available, but here we will run mostly with 
default settings, just optimising the K-mer length.
A major benefit of working in a command-line environment is the ability to loop easily through multiple 
values. Without an existing ‘optimiser’ type program, a shell loop can be used to try many values.

71


Run abyss in single-end mode with k=21

$ abyss -k21 qual_trim_mt1.fastq -o abyss_contigs.fa

Try abyss with multiple kmer values

  1. Type the first line and press return.  The prompt will change to “for>”

$ for k in {15..20}
for> abyss -k$k qual_trim_mt1.fastq -o abyss_k$k.fa

  1. This will run abyss for all values of k between 15 and 20, and 
  2. produce output for each permutation.

Assessing The Assemblies
We used tablet to view the output from Velvet assemblies. This isn’t possible with the Abyss output as the 
program does not provide a full assembly, just the consensus contigs. We can obtain some simple statistics 
on all the assembly results on the command line.
For example, the gnx-tools command will output basic statistics on the multi-fasta file produced by the 
assembler.

Compare assemblies with gnx-tools

$ for f in velvet_k21/contigs.fa auto_data_31/contigs.fa abyss_contigs.fa
for> gnx-tools $f

Adding Some Annotation
If sequence assembly is a tricky process to master then sequence annotation is a bona fide black art. There 
are various approaches that one can use and several pipelines available that will help.  But in this case, we 
just want to get something to look at in Artemis. We’ll quickly scan the assembled genome for likely open 
reading frames. We’ll use the Abyss output as this has (hopefully!) produced a single contig.

Glimmer3 (http://ccb.jhu.edu/software/glimmer/index.shtml) is an application for predicting open reading 
frames in prokaryotic genomes. As with the assemblers above, it should generally be tuned for the specific 
organism that you are working with and also provided with an appropriate training data set. But in this case 
we will just run it quickly with the default options (don’t do this if you want actual meaningful results).
A Perl script is provided to convert the output from Glimmer into something that Artemis can view. You 
don’t need to be a Perl programmer to re-use useful scripts like this.

$ g3-from-scratch abyss_contigs.fa glimmer
$ perl ../glimmer_to_gbk.perl <glimmer.predict >glimmer.gbk
$ artemis abyss_contigs.fa &

You should now be looking at a view of the contig in Artemis. From the File menu select Read An Entry… and 
choose the file glimmer.gbk.

To conclude this section, load the file human_mitochondrial.gbk into Artemis for comparison. This is not 
exectly the same as the mitochondrial data you’ve just assembled (which is from Lumbricus rubellus) but it is 
fully annotated. Annotation will have been achieved using a combination of automated tools and manual editing 
in Artemis. You can find more on Artemis, and on how to identify genes using BLAST, in the next section.

72


Artemis

Artemis is a DNA sequence viewer and annotation tool, allowing visualisation of sequence features and the 
results of analyses within the context of the sequence and its six-frame translation. Artemis can read embl or 
genbank format files. Sequences can be loaded from local files or via the network from the EBI.

Ways to  run Artemis:

from a locally installed version on your Bio-Linux machine*

via Java Web Start from the Sanger Centre 

(http://www.sanger.ac.uk/resources/software/artemis/java/artemis.jnlp)

73

Figure 16: Artemis Entry window after hsy14768.embl is loaded.


Exercise

Start Artemis on Bio-Linux by typing '''artemis on the command line or by choosing the 

option '''Artemis from under the Bioinformatics Applications graphical menu.

Now choose the option Open… from under the Artemis File menu, and select the 

file hsy14768.embl from within the bioinf_files directory.

This should open up a large window, as shown in Figure 14, where this sequence is displayed

graphically .

Open a terminal window and view the text of the embl entry using the command  

less hsy14768.embl

Notice how Artemis is providing a graphical representation of what is in the text file.

Try choosing Mark Open Reading Frames from under the Create menu of 

Artemis.

Choose to mark open reading frames with a minimum size of 200. 

You should now see two boxes near the top in the Entry section, the first called hsy14768.embl

and the other called ORFS_200+.

Uncheck the box next to hsy14768.embl. You should now be able to scroll along the 

window horizontally and easily see the open reading frames you marked. 

Check the box next to hsy14768.embl again. Look at the information in the bottom

frame of the window. Notice how it is related to the images in the frames above.

Try clicking on some of the lines in the bottom frame and seeing what happens in the 

images in the other two frames.

Explore the options available to you. (Not all options will be functional by default. See the

information about the Run menu below)

Close the Artemis Entry Editing window using File | Close.

You can also load up files direct from the EBI. If you want to try this, then choose  File | 

Open from the EBI – Dbfetch… option in the original small Artemis window and enter the 
accession number BX255937

When you are done, close Artemis by choosing File | Close in the sequence entry 

window and then choosing File | Quit in the main (small) Artemis window.

You can run various programs on your sequence, or parts of your sequence, from under the Run menu in 
Artemis. Some of the options in this menu need to be configured to be appropriate for your site. There is 
information on how to do this on our website at:

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/faq#blast_art

If you are not the system administrator of your Bio-Linux machine, then you will probably need to liaise 
with the person who is to get this set up properly.

74

We also highly recommend Artemis’ sister program Act, which can be used to graphically view a pairwise 

BLAST betrween two or more sequences. 


Appendix A – BLAST references and documentation

Web pages
The blastall and blast+ page in your Bio-Linux Bioinformatics Docs provides links to local web pages with 
information about NCBI BLAST programs. You can also access this remotely at the URL:
[http://nebc.nox.ac.uk/bioinformatics/docs/blastall.html http://nebc.nerc.ac.uk/bioinformatics/docs/blastall.html
http://nebc.nerc.ac.uk/bioinformatics/docs/blast+.html]

NCBI BLAST Manual pages
[http://www.ncbi.nlm.nih.gov/books/NBK1763/ http://www.ncbi.nlm.nih.gov/books/NBK1763/
]http://www.ncbi.nlm.nih.gov/blast/blast_help.shtml

NCBI BLAST Web Interface paper
http://nar.oxfordjournals.org/cgi/content/full/36/suppl_2/W5

Sequence similarity statistics
http://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html

NEBC BLAST Frequently asked questions
http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/blastfaq

NEBC November 2007 Masters Bioinformatics Course (covers older blastall, rather than BLAST+)
[http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-msc.-biology-2007 http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-
msc.-biology-2007]

References
The book by Ian Korf is a good place to start in learning about what BLAST can do, how it does it and what BLAST output means. It 
is now out of date however, and should be read in conjunction with the new blast+ documentation. Also note that wu-blast is now 
AB-blast, which is licensed software from Advanced Biocomputing LLC. 

S. F. Altschul, T. L. Madden, A. A. Schaffer, J. Zhang, Z. Zhang, W. Miller, and D. J. Lipman. 
Gapped blast and psi-blast: a new generation of protein database search programs. 
Nucleic Acids Res, 25(17):3389–402, 1997.
Lm05110/lm/nlm Journal Article Research Support, U.S. Gov’t, P.H.S. Review England.

S. F. Altschul, J. C. Wootton, E. M. Gertz, R. Agarwala, A. Morgulis, A. A. Schaffer, and Y. K. Yu. 
Protein database searches using compositionally adjusted substitution matrices. 
Febs J, 272(20):5101–9, 2005. Z01 lm000072-10/lm/nlm Journal Article Review England.

C. Camacho, G. Coulouris, V. Avagyan, M.N. Papadopoulos, K. Bealer and T.L. Madden. 
Blast+: architecture and applciations. BMC Bioinformatics, 10: 421, 2009 

S. R. Eddy. Where did the blosum62 alignment score matrix come from? 
Nat Biotechnol, 22(8):1035–6, 2004. Evaluation Studies Journal Article Review United States.

Ian Korf, Mark Yandell, Joseph Bedell, and Stephen Altschul. 
BLAST.  [“An essential guide to the Basic Local Alignment Search Tool”. Includes bibliographical references and index.]
O’Reilly, Sebastopol, Calif. ; Farnham, 2003. GB A3-Y7706  ill. ; 24 cm. 

A. A. Schaffer, L. Aravind, T. L. Madden, S. Shavirin, J. L. Spouge, Y. I. Wolf, E. V. Koonin, and S. F. Altschul. 
Improving the accuracy of psi-blast protein database searches with composition-based statistics and other refinements.
Nucleic Acids Res, 29(14):2994–3005, 2001. Journal Article Review England.

Y. K. Yu, E. M. Gertz, R. Agarwala, A. A. Schaffer, and S. F. Altschul. 
Retrieval accuracy, statistical significance and compositional similarity in protein sequence database searches. Nucleic Acids Res, 
34(20):5966–73, 2006. Evaluation Studies Journal Article Research Support, N.I.H., Intramural England.

75


Appendix B – Creating local BLAST databases

Obtaining local BLAST databases

To get the most from BLAST, you should search against a relevant database, which may mean using the 
relevant parts of a larger database. In general, BLAST searching against the whole of nr or the whole of embl
is not a particularly good idea. It takes up your time and computer resources, returns BLAST results with less
useful statistics and often less meaningful results. For example, if you are studying marine viruses, do you 
really care about all the mouse sequence in nr or embl?

Web resources often offer different data subsets you can search against. For example, using the NCBI 
BLAST pages, you can choose from a certain number of database sections, or you can fine tune the sequence
set you blast against using Entrez queries: 

http://blast.ncbi.nlm.nih.gov/Blast.cgi?CMD=Web&PAGE_TYPE=BlastDocs&DOC_TYPE=FAQ#entrez

http://www.ncbi.nlm.nih.gov/bookshelf/br.fcgi?book=helpentrez&part=EntrezHelp

Using the EBI BLAST services, you can choose from a number of data subsets, as well as having a choice of
WU-blast or NCBI blastall. 

http://www.ebi.ac.uk/Tools/blast/

To run BLAST locally, you need to index your collection of sequences; it is these indices that BLAST reads 
when searching. For some databases or database divisions, you can download prepared BLAST indices from 
sites such as the NCBI. These are convenient, but do restrict you to searching against particular sets of 
sequences. It is often useful to create a set of sequences chosen for the types of searches you wish to carry 
out (e.g. organism or tissue specific) and format them into a database you can search using BLAST.

Any set of fasta sequences can be indexed for BLAST searching. Creating useful sets of sequences is beyond
the scope of this course, but two resources to consider are SRS (http://srs.ebi.ac.uk) and Entrez 
(http://www.ncbi.nlm.nih.gov/books/bookres.fcgi/helpentrez/EntrezHelp.pdf)

For NCBI blastall, the formatdb command is run on fasta formatted files to create BLAST indices. 
For BLAST+, the program used is called makeblastdb, and this is the you want to use, though BLAST+ will 
happily search databases made with formatdb.

Some data resources useful for local BLAST 

URL

Database File 

format

Contents

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/

uniprot

fasta

Uniprot, swissprot and 
trembl

[ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/ ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_rele
ase/knowledgebase/taxonomic_divisions/]

uniprot

embl

Uniprot divisions

[ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblrelease/ ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblreleas
e/]

embl

fasta

Individual embl divisions

ftp://ftp.ebi.ac.uk/pub/databases/embl/release/

embl

embl

Individual embl divisions

[ftp://ftp.ncbi.nlm.nih.gov/blast/db/ ftp://ftp.ncbi.nlm.nih.gov/blast/db/
ftp://ftp.ebi.ac.uk/pub/blast/db/]

various

blast

nr, nt, env and a few other 
BLAST formatted databases 
or database sections.

ftp://ftp.ncbi.nlm.nih.gov/genbank

genbank

genbank 

Individual genbank divisions

76


One thing to note in the table above is that uniprot divisions are provided in embl format. However, BLAST 
indices are created from fasta format files. Unfortunately, the EMBOSS program seqret, which you saw 
earlier, does not handle entire database divisions well. Instead, you can use a simple script to do the 
conversion. Instructions on this are below.

If you choose to use pre-formatted BLAST databases, make sure you read the notes about them (usually 
available as a file called something like REAMDE on the FTP site you get the BLAST files from) as they 
can be slightly different than the database that results from downloading and formatting your own. 

Building BLAST indices from local sequence files

We will use the uniprot  swissprot virus division as an example here. As this is distributed in embl format, 
and we need it in fasta format, we include a format conversion step in the instructions below.

Bio-Linux machines by default have the BLASTDB environmental variable set to a central location. To find 
out where it is set to on your machine, you can use the command:

echo $BLASTDB

If you are logged in as an administrative user, then you will be able to download and work in any area on the 
machine using your sudo privileges. If you are on a multi-user system and are not an administrative user, the 
default location for BLAST databases may not be writable by you. In this case, you should talk to your 
system administrator: either to ask them to give you privileges in the central BLAST database folder, or warn
them that you are about to use lots of space in your account for BLAST databases. 

These instructions assume that you are working from the directory where you will be storing your BLAST 
database files. This is not normally the case. Usually, if you download BLAST databases into your account, 
it is easiest to set the BLASTDB environmental variable to the location of these BLAST databases, and then 
work from a convenient folder where you plan to store your results. You can set the BLASTDB 
environmental variable for a single session by typing a line of the form below in the terminal you are 
working in. To set this variable for every session, you can add the line to your ~/.zshrc file. 

export  BLASTDB=”$HOME/blastdb”

Download the database section of interest. Here we will work with the uniprot swissprot virus division:

wget

ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/uniprot_sprot_viruses.dat.gz

77

Understand your databases

It is important to read the documentation about the databases you choose to work with. 
For example, uniprot and nr are not the same. nt is not a non-redundant database; nr is.

 

Knowing what is in a database you work with is vital in understanding your results. 

Nucleic Acids Research publishes a database issue in January of each year. 

This is an excellent resource for finding out more about available database resources. 

Another useful resource is the information available via the links on the Library page of SRS at the EBI:

http://srs.ebi.ac.uk/srsbin/cgi-bin/wgetz?-page+top


If you don’t already have a sequence conversion tool, download the emblToFastaAndPreProcess.pl 

script from the NEBC site. 

wget http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFastaAndPreProcess.pl

This script converts embl sequence to fasta sequence. Due to issues that sometimes appear because of the 
formatting of information in the feature table, it does so by removing the feature lines from the entry before 
conversion. A version of the script that does not pre-edit the feature lines is also available: 
http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFasta.pl 

Make this script executable.

chmod u+x emblToFastaAndPreProcess.pl

This script can handle compressed files, so you can create a fasta formatted copy of the 

uniprot_sprot_viruses division by running the command:

./emblToFastaAndPreProcess.pl  uniprot_sprot_viruses.dat.gz

Notice the ./ at the start of the line. You need this if you are running the script from the directory you are in. 
There are better ways to do this if you plan to keep this script for use again, but they are not covered here. 

When the script is finished, you should find a file called  uniprot_sprot_viruses.fasta in your directory. 

This is the file we build the BLAST database from. 

makeblastdb -dbtype prot -in  uniprot_sprot_viruses.fasta  -out sprot_virus

You should now have four new files in your directory:  sprot_virus.psq, sprot_virus.pin, sprot_virus.phr

and formatdb.log. The last of these lets you know how the BLAST formatting went. 

The sprot_virus.p*  files are your BLAST indices. You search against them by specifying the BLAST 
database name sprot_virus

Note:

If you were interested in the swissprot virus division, you would probably be interested in the trembl virus 
division also. You could download and format that division as described above, and then search the swissprot
and trembl virus divisions separately, or as a single, virtual database. Alternatively, you could create a single 
BLAST formatted database from the two fasta files using cat and makeblastdb:

cat uniprot_sprot_viruses.fasta uniprot_trembl_viruses.fasta | 

makeblastdb -in - -out uniprot_viruses -dbtype prot -title “combined sprot and trembl virus divisions”

What is the best division to search against depends on what you need to accomplish. 

78


Appendix C - Cheat sheet of basic Linux commands

bg

To send a suspended job to the background

cat fileName1

Output a file to the screen (see also more and less)

cat file1 file2 file3 > newfile

Append three files together and put the result in newfile

cat -nA file1

Output a file to screen, numbering all lines and revealing non-
printing characters

cd dirName

Change to directory dirName.  Use cd .. to go up one dir or just 
cd to go home.

chmod 

To change the permissions or protection on a file, to allow 
everyone to read a file (chmod a+r somefile)

clear 

clear the terminal screen

cp fileName1 fileName2 

create a copy of the file called fileName1 and call the copy 
fileName2

cp fileName directoryName

copy the file fileName into a directory called directoryName

cp –R dirName1 dirName2

copy a whole directory called dirName1 and its contents into 
another directory called dirName2. 

date

Print the current date and time

df –h

File system information including space usage

diff file1 file2

Summarise differences between two similar text files file1 and 
file 2.  See also the graphical tool, meld

echo $NAME

Print the value of an environment variable called $NAME

emacs

A text editor, more powerful than gedit, but more complex.

evince 

A command for viewing postscript or PDF formatted files

exit 

Exit the current terminal

export NAME=value

Set the environment variable $NAME to “value”

fg 

Brings a suspended or background job to the foreground

file fileName

Tries to determine what fileName is by looking at the contents

find -name “test*”

Scans for filenames matching a given glob pattern in the current 
folder and subfolders.  This command is tricky to use.  To scan 
the whole system for files, try locate.

gedit

The standard text editor

grep

Search for the occurrence of a pattern

groups or id

Show what groups a user is in.

head fileName

Show just the first few lines of fileName

history 

List log of previous commands you have entered

jobs 

Lists any suspended or background processes that you have 
running. See also ps and pgrep

kill pid

Kill a process that is running where pid is the process id number 
(see ps).  Also consider pgrep and pkill.

last

Info about who has logged onto the machine recently

79


less

Type a file to the screen one page at a time (press q to quit, 
spacebar for next page, b to go back a page)

ls

List the files in your directory

ls –l

List the files in your directory but with “longer” information.  
(Add -h for more readable file sizes)

man command

For help about UNIX command “command”

man -k keyword

Lists all UNIX commands that mention the word “keyword”

mkdir dirName 

Make a directory

more fileName

Type a file to the screen a page at a time (press q to quit, spacebar 
for next page).

mv file1 dirName

Assuming dirName is an existing directory, move a file called file1
into a directory called dirName

mv file1 file2

Rename file1 and call it file2

nano

A basic text editor that runs in the terminal

passwd 

Change your password

pgrep pattern

Find process names that contain the pattern. See also ps

pkill processname

Kill a running process using the process name. Be careful with 
this! See also pspgrep and kill

pwd

Print the full path of your current directory

ps –u

List your current processes

ps –aux

List all processes on the machine. See also top

rm fileName 

Delete a file

rm –rf dirName

Delete a directory and all its contents

rmdir

Delete an empty directory

screen

Run the screen manager (read the man page first!)

stat fileName

Show detailed info on fileName, similar to ls -l

tail

Show just the last few lines of a file.  See also head.

tar -xvz -f fileName.tar.gz

Unpack a tarball from the file fileName.tar.gz

someCommand '''| tee fileName

Save output of someCommand to fileName and also print to 
screen.  Use instead of >fileName if you want to redirect but still 
see the output.

top

List the processes running that are using the most CPU

touch fileName

Create an empty file (also updates file timestamps)

wc -l fileName

Count lines in fileName

which commandName

Reveal what will really be run when you give a command

or who

List users currently logged on

yes

A very useful command ;-)

Ctrl-c

Stop (interrupt) a process

Ctrl-r

Interactively search in command log.  See history

Ctrl-z

Suspend a process, see also jobsfg and bg

80


81


Introduction to

For Bio-Linux 8

January 2015

  

  

Website

http://

[3]

environmentalomics.org

[4]

/bio-linux

Email:[5]

helpdesk@nebc.nerc.ac.uk


Table of Contents

PART ONE: INTRODUCTION TO THE BIO-LINUX 8 SYSTEM……………………………………..1

Logging in and exploring the Bio-Linux desktop…………………………………………………………………………………………………1

Running applications……………………………………………………………………………………………………………………………………….3
Finding files and drives……………………………………………………………………………………………………………………………………3
Setting things up……………………………………………………………………………………………………………………………………………..4

Finding your way on the system…………………………………………………………………………………………………………………………7

The Root Folder………………………………………………………………………………………………………………………………………………..7

Using the command shell……………………………………………………………………………………………………………………………………8

Anatomy of a Command………………………………………………………………………………………………………………………………….9
Listing files in a directory………………………………………………………………………………………………………………………………10
Learning about Linux commands…………………………………………………………………………………………………………………….11
Basic Linux tips for filenames………………………………………………………………………………………………………………………..12
Getting the prompt back when running graphical applications from the terminal………………………………………………….12
Linux shorthand and shortcuts………………………………………………………………………………………………………………………..13

More Basic Linux Commands………………………………………………………………………………………………………………………….13

Changing directories……………………………………………………………………………………………………………………………………..14
Tab completion……………………………………………………………………………………………………………………………………………..15

Command history…………………………………………………………………………………………………………………………………………….17

Making a directory………………………………………………………………………………………………………………………………………..17

Office software………………………………………………………………………………………………………………………………………………..18

Using text editors……………………………………………………………………………………………………………………………………………..19

Nano……………………………………………………………………………………………………………………………………………………………19
Gedit……………………………………………………………………………………………………………………………………………………………19

Reading text files……………………………………………………………………………………………………………………………………………..20

An important note on line endings – CR and LF……………………………………………………………………………………………….21

Copying files……………………………………………………………………………………………………………………………………………………22

Linking to files…………………………………………………………………………………………………………………………………………………23

Removing files and directories………………………………………………………………………………………………………………………….24

Redirecting output to files………………………………………………………………………………………………………………………………..25

Piping output between applications………………………………………………………………………………………………………………….26

Diff, Grep and Sort………………………………………………………………………………………………………………………………………….27

Diff……………………………………………………………………………………………………………………………………………………………..27
Grep…………………………………………………………………………………………………………………………………………………………….27

Environment Variables…………………………………………………………………………………………………………………………………….29

Changing permissions on files and directories…………………………………………………………………………………………………..30

Some other useful information…………………………………………………………………………………………………………………………31

Copying and pasting text………………………………………………………………………………………………………………………………..31
The simple way to stop a process…………………………………………………………………………………………………………………….31
Putting a command to one side……………………………………………………………………………………………………………………….31
Logging out of a session………………………………………………………………………………………………………………………………..31
Clearing your terminal of text…………………………………………………………………………………………………………………………31
Accessing a running program or working with others interactively……………………………………………………………………..32
Accessing your machine – including a full graphical desktop - remotely……………………………………………………………..32

PART TWO: INTRODUCTION TO BIOINFORMATICS ON BIO-LINUX………………………..33

Documentation and Help for Bioinformatics Software on Bio-Linux…………………………………………………………………33

Bio-Linux Bioinformatics Documentation……………………………………………………………………………………………………….33
Help Functions within the Programs………………………………………………………………………………………………………………..34


Example data for this tutorial…………………………………………………………………………………………………………………………..34

Interface choices………………………………………………………………………………………………………………………………………………35

General points about working with bioinformatics programs……………………………………………………………………………36

Sequence formats………………………………………………………………………………………………………………………………………….36
File naming conventions in bioinformatics……………………………………………………………………………………………………….37
Naming files and the danger of over-writing previous results……………………………………………………………………………..39
A common problem: what is a text file and what is not………………………………………………………………………………………39
GZipped files in bioinformatics………………………………………………………………………………………………………………………40

EXAMPLES OF RUNNING BIOINFORMATICS PROGRAMS ON BIO-LINUX………………41

Analysing sequences with QIIME…………………………………………………………………………………………………………………….41

Preparation…………………………………………………………………………………………………………………………………………………..42
Assign Samples to Multiplex Reads………………………………………………………………………………………………………………..42
Processing sequences into OTUs…………………………………………………………………………………………………………………….43
Data to information……………………………………………………………………………………………………………………………………….44

Heatmap………………………………………………………………………………………………………………………………………………….45
Taxonomy Summary Charts……………………………………………………………………………………………………………………….45

Diversity………………………………………………………………………………………………………………………………………………………45

Alpha………………………………………………………………………………………………………………………………………………………45
Beta…………………………………………………………………………………………………………………………………………………………45
Inter-Sample Distance……………………………………………………………………………………………………………………………….46
Jackknifing & UPGMA……………………………………………………………………………………………………………………………..46

Analysing sequences with MOTHUR………………………………………………………………………………………………………………..47

Preparation…………………………………………………………………………………………………………………………………………………..47
Assign Samples to Multiplex Reads and Quality Filtering………………………………………………………………………………….48
Generating Alignment & Distance Matrix………………………………………………………………………………………………………..48
Classify Sequences………………………………………………………………………………………………………………………………………..49
Renaming Files……………………………………………………………………………………………………………………………………………..49
Clustering Sequences…………………………………………………………………………………………………………………………………….49
Generating OTU Table and Normalisation……………………………………………………………………………………………………….49
Classifying OTU…………………………………………………………………………………………………………………………………………..50
Converting the shared file to BIOM-format………………………………………………………………………………………………………50
Data to information……………………………………………………………………………………………………………………………………….50

Heatmap………………………………………………………………………………………………………………………………………………….50
Venn Diagram…………………………………………………………………………………………………………………………………………..50

Finding and running useful scripts…………………………………………………………………………………………………………………..51

Aligning sequences using MUSCLE………………………………………………………………………………………………………………….51

BLAST……………………………………………………………………………………………………………………………………………………………53

A few examples of ways to run BLAST, on Bio-Linux or otherwise……………………………………………………………….53
What this course covers……………………………………………………………………………………………………………………………..53
Why use BLAST on the command line?………………………………………………………………………………………………………53
General considerations for database searching……………………………………………………………………………………………..54
A very, very brief introduction to BLAST+………………………………………………………………………………………………….54
How a BLAST database looks on the file system………………………………………………………………………………………….55
A simple blastp search……………………………………………………………………………………………………………………………….55
Formatting BLAST output…………………………………………………………………………………………………………………………56
Handling multiple sequences……………………………………………………………………………………………………………………..57

BLAST searching using fasta files containing more than one sequence……………………………………………………….57

Processing multiple files using a foreach loop……………………………………………………………………………………………………57

Working with lots of BLAST results……………………………………………………………………………………………………………61

EMBOSS Programs…………………………………………………………………………………………………………………………………………62

Ways to run EMBOSS programs:……………………………………………………………………………………………………………….62

A comparison of the Jemboss and command line interfaces for EMBOSS programs…………………………………….63

Working with EMBOSS programs………………………………………………………………………………………………………………63
Using the EMBOSS command line……………………………………………………………………………………………………………..65

A very basic sequence assembly………………………………………………………………………………………………………………………..69

Quality Checking………………………………………………………………………………………………………………………………………69
Split Barcodes………………………………………………………………………………………………………………………………………….69


Clean Up………………………………………………………………………………………………………………………………………………….70
Assembly With Velvet……………………………………………………………………………………………………………………………….71
Assembly With Abyss……………………………………………………………………………………………………………………………….71
Assessing The Assemblies………………………………………………………………………………………………………………………….72
Adding Some Annotation…………………………………………………………………………………………………………………………..72

Artemis……………………………………………………………………………………………………………………………………………………………73

Ways to run Artemis:…………………………………………………………………………………………………………………………………73

Appendix A – BLAST references and documentation………………………………………………………………………………………..75

Web pages……………………………………………………………………………………………………………………………………………………75
References……………………………………………………………………………………………………………………………………………………75

Appendix B – Creating local BLAST databases………………………………………………………………………………………………..76

Obtaining local BLAST databases………………………………………………………………………………………………………………76
Building BLAST indices from local sequence files……………………………………………………………………………………….77

Appendix C - Cheat sheet of basic Linux commands…………………………………………………………………………………………79

Copyright and redistribution:
This document is the work of many authors over many years.  Unless otherwise stated the material is Copyright NERC.  
You may redistribute the complete document and its associated files without restriction in any format.
If you re-use substantial portions of this text in derivative works you must acknowledge the authors (CC-BY).  We would
also appreciate you letting us know if you re-use our stuff.
If you use Bio-Linux for your science, please cite us!  See the website for further info.


Part One: Introduction to the Bio-Linux 8 System

Logging in and exploring the Bio-Linux desktop

You can log into your Bio-Linux machine locally or over the network, on a fully installed system or a Virtual
Machine or on a system running Live from a USB memory stick or a DVD. 

These course notes are written from the perspective of someone running the Live version of the system – that
is, having booted a PC directly from a USB memory stick and selected “Try Bio-Linux”. The main 
differences for people working on an installed system will be the name of the account you are logged into 
and what privileges that particular user account has. For example, the user of the Live system always has full
administrative privileges.  So don’t worry if you find small differences between what is described here and 
what you see on your system.

Please refer to our on-line document about various ways you can set up a Bio-Linux system:

http://environmentalomics.org/bio-linux-installation

If you are booting the machine from a DVD or a USB memory stick, when prompted, select

Option 1:  Try Bio-Linux

After the system has started up, you will see the Bio-Linux desktop (Figure 1).

1

Figure 1: A view of the Bio-Linux 8 desktop


There are three icons on the desktop

Install Bio-Linux 8

On the Live System only – click this icon to start the Bio-Linux installer

Bio-Linux Documentation Opens a menu of links as follows:

NEBC Homepage

Opens the NEBC home page in a web browser

User Guide

Opens the Bio-Linux Userguide – a basic introduction to system admin

Introductory Tutorial Opens the folder of Introductory Bio-Linux tutorials and data files

Bioinformatics Docs Shows the NEBC Bio-Linux Bioinformatics Documentation System

Sample Data

Provides access to much sample data to help you in trying out new 

software

On the left of the screen you will see the Dash, which is used to launch and organize applications.  The 
dash is populated by a column of large button icons.  The Dash Button at the top with the Ubuntu logo

 brings up the main Dash panel to find files and applications (see below).  The other icons are, by 

default, from the top:

1.

Open your home folder

2.

Launch Firefox web browser

3.

Launch Evolution mail reader

4.

LibreOffice Writer word processor

5.

LibreOffice Calc spreadsheet

6.

LibreOffice Impress presentation editor

8. Shell Terminal

9. Ubuntu Software Centre (find and install 

apps)

10. System Settings and User Preferences

11. Virtual Desktop Switcher

12. Disks and USB removable media

13. Rubbish Bin (deleted files area)

On the top of the screen you will see the menu and panel bar (Figure 2).

Figure 2: The menu and panel bar, found at the top of the screen.

If you open an application window, the name of the active application will appear in the left portion of this 
bar.  If you move the mouse over it, a context menu for the active window will appear (like on Apple Mac).  
The right portion of the bar has a panel of icons to control some system settings.

From left to right, the things you see in the panel area above are:

1. Network monitor and setup (the icon shown 

indicates WiFi is active – you may see others)

2. Keyboard selector (defaults to UK keyboard)
3. Battery monitor (on laptops only)

4. Audio volume control
5. Wall clock (click it for a calendar)
6. System menu (includes access to system 

settings and options to lock screen, switch 
user, shut down, etc.)

2


Running applications

Clicking the Dash Button at the top left of the screen opens a panel where you can search for applications 
and files on the system.  This includes bioinformatics tools and any other applications you have installed. 
Start typing either the application name or a keyword, or select the DNA icon at the bottom (circled in the 
image) to see a list of bioinformatics tools and resources.

Figure 3: Searching for applications in the Dash

The applications found in the menu are by no means all the means all those found on the system.  Most 
bioinformatics applications need to be run from the terminal as detailed at length in this tutorial.

Finding files and drives

The file cabinet icon near the top of the Dash takes you directly to your Home folder. 

Figure 4: Your home folder

3


Your personal Desktop, and folders in your Home area called Documents, Pictures, Videos, etc. are listed.  
You can use these or else create your own folders as you wish.
The file browser provides convenient shortcuts to these directories in the left pane, even if you are viewing 
another folder in the main panel.
Devices recognized by your system such as the disk drives, CD/DVD devices, USB sticks, etc. are listed at 
the bottom of the left pane.  Removable media can be ejected by clicking the icon next to the device name.
Networks resources can be accessed through the Browse Network icon.  This includes Windows network 
shares using the CIFS protocol and files on other Bio-Linux machines if you can access them via the SFTP 
protocol.  Browsing regular FTP servers is also supported.
Note: The Dash also has a file and media finder, as seen on the previous page, selected by clicking the 
Ubuntu button at the top left to bring up the Dash console and then selecting one of the little white icons 
from along the bottom of the window.

Setting things up

The System settings icon 

 allows you to customise

and administer your system (Figure 6) in various ways.

The Personal area is used for customising a variety of
attributes relating to your personal preferences.

The Hardware and System areas allow you to do things such
as configuring hardware drivers, changing firewall settings,
administering users and groups, and managing the packages on
your system.

Other features - Virtual Desktops etc.

The icon that looks like this: 

 allows you to switch

“virtual desktops”. Unlike Windows, Linux by default gives you access to multiple desktop areas. This 
allows you to have windows open for different things in different virtual desktops. For example, if you were 
working on writing an article, you could have programs relevant to that work open and visible via one of 
these desktops. Meanwhile, you could have programs related to sequence analysis open on another desktop, 
and so on. This is a great tool for keeping things organised during your working day. Clicking the icon will 
zoom out to show an overview of all desktops.  You can also switch quickly by holding down Ctrl+Alt and 
tapping the arrow keys on the keyboard.

The Deleted Items Folder icon 

 (also commonly referred to as a Rubbish Bin or Trashcan) is the 

bottom icon the Dash. This is where files deleted in the file browser usually end up. This gives you a chance 
to salvage them if you deleted them by mistake. Deleting files on the system is covered in more detail in the 
Removing Files and Directories section of this tutorial.

4

Figure 5: The System Settings Window


Exercise 1-1

 

a) Exploring the desktop

Take some time to explore the desktop. Look at the options under each of the icons covered in the previous 
section, and try the various subsections in the Dash console.

 Try

 clicking the icons on the desktop. Also try 

using the right and middle mouse buttons when the mouse pointer is over the icons in the Dash and explore 
the menus presented to you.

Try going to a different virtual desktop and starting up some windows/applications there.  Try moving 
windows off one desktop area and onto another.

b) Obtaining the example files for this tutorial

The sample files referred to in this tutorial can be found on the system as a compressed package file.  You’ll
need to copy and unpack them before proceeding.

Copying the compressed file from the tutorials folder on the system

Double-click the Bio-Linux Documentation icon on the desktop

Open the Introductory Tutorial

Drag the bioinf_files.tar.gz file to the left and drop it over the word Home to copy it to your home 

folder.

Note that a copy of this file can also be found online if you need it for some reason.

http://nebc.nerc.ac.uk/downloads/courses/Bio-Linux/bioinf_files.tar.gz

c) Extracting the files from the compressed tarball

The file you just downloaded is referred to as a tar file or tarball. Tar is a utility similar to Winzip; it 
makes package of files. The extra .gz extension shows that the gzip method has been used to compress the 
tar file. 

Here are two equivalent options for how to unpack these files, one on the command line and one graphical. 
Both should produce the same result.

Option 1 –  extracting via the command line

Open a new terminal by clicking the icon in the dash —>

Type the following at the command prompt and press the enter key :

tar  -xz   -f  bioinf_files.tar.gz

This command uncompresses and unpacks the contents of the tar file into your current working directory,
which in this case is your home folder.  You should then see a new prompt, just like this:

5


(exercise 1-1 continued)

If you see an error, try typing the command again, making sure it is exactly as shown above including 
spaces, hyphens, underscores, etc.  If the error says “No such file or directory ” then check you really did
copy the file in step (b) above.  You can confirm the extraction worked by looking in the file browser or 
using the ls command.

 

Option 2 –  extracting via a graphical interface

But don’t use this version – we’re trying to learn about the command line here!!

Open your Home Folder by clicking the file cabinet icon in the Dash.

Click the right mouse button over the bioinf_files.tar.gz file and select Extract Here.

d) Re-visiting the command above

Press the up arrow key while in the terminal.  The previous command should re-appear for you to edit.  
You can move the cursor left and right using the keyboard but don’t try to move it with the mouse – that 
won’t work.
Edit the command by adding an extra ’v’ righ after ’-xz’ so that the full command reads:

tar  -xzv  -f  bioinf_files.tar.gz

Hit the enter key to run it.  You don’t need to scroll the cursor back the end before you do this.  What is 
the result this time?

The letters after the hyphens are parameters of the tar command: x means “unpack/extract”, the z means 
“the file should be uncompressed with gzip”, the f indicates the file to unpack, and the v you just added 
means “be verbose”.  Therefore on this occasion you should have seen a list of the files being unpacked.

This is a common behavior for many Linux commands.  If the command runs successfully without errors
it says nothing and just goes right back to the prompt.  If you want the command to tell you what it is 
doing, adding -v makes it verbose, otherwise you may assume that “no news is good news”.

The use of the cursor keys to re-visit commands is a major time-saver in the terminal and you must get in
the habit of doing this.  The other major time-saver is Tab completion which we will come to soon.

e) Removing the compressed tarball

The unpacked files that you will be working with in this tutorial are now in a directory called bioinf_files

You can remove the compressed tar file now if you wish. Again, this can be done via the command line or 
using the graphical file browser but we’ll stick with the command line version. More details about how to 
remove files from the system are covered in the Removing Files and Directories part of this tutorial. 

Open a terminal window if you don’t have one already.

Type the following into the terminal, then press Enter:

rm bioinf_files.tar.gz 

Enter “y” to agree when you are asked if you wish to delete the file. 

6


Finding your way on the system

In Linux/Unix systems, documents are usually referred to as files, and file folders are referred to as 
directories.  

Your Bio-Linux file system can be thought of as a huge file folder (directory), inside of which are many 
other file folders (directories). Inside these there are more nested file folders (directories), and so on. As in 
the real world, where file folders can contain documents and other file folders, in Linux directories can 
contain files and other directories.  The hierarchy of folders is called the directory tree.

Your personal Home folder is one directory within the tree of directories that make up your Bio-Linux 
machine. In your account, you can create other directories, store data, run programs, etc. A graphical view of 
your home directory is available by clicking on the file cabinet Files icon in the Dash toolbar (Figure 5). This
opens up a window that shows the files and directories in your Home.  The full name of this folder on the 
system is /home/live, ie. a directory named after the login account, live, within the top-level directory named
/home, but the graphical file browser just shows it as Home.

Linux enforces file permissions depending on the login account.  By default on Bio-Linux, your account has 
the right to create, delete and edit files in your own Home folder, but not in other people’s accounts or in 
system directories. You can be given permission (or give yourself permission, if it’s your system) to work on 
files in such areas, and some information on setting file permissions is given later in this course. Your system
administrator or local IT support should be able to help you with sharing files if they are on a shared server.

You can use the graphical file browser to explore directory areas on the machine, and to move around in your
own files.  It allows you to accomplish most typical file operation, including opening files and copying, 
moving or deleting files using drag and drop or copy/cut/paste.   To view areas of the system outside your 
Home directory, click on Computer under Devices in the left hand pane to see the root directory of the 
system.

Exercise 1-2

If you have not done so already, click on the filing cabinet Files icon near the top of the Dash

Double-click on the bioinf_files directory that you unpacked in Exercise 1-1, to view the contents

Investigate the options under the file browser menus.  These appear on the bar at the very top of the 

screen.

Click on the Computer icon in the left panel. This allows you to see the root directory – the base of the

whole filesystem hierarchy.

Find the folder called home and double click on it.

You should see a single folder called live listed.  Select this to get back to your Home folder.  If you 

are not working on a live-booted system you should see a folder with your username, and other user 
folders may also listed. A lock symbol on a folder would inform you that you do not have permission to 
view the contents of that folder.

The Root Folder

The name of the base directory of the whole system, the one within which every file on the system  is 
contained, is the root directory. It is referred to by a single forward slash  “ ”.

When you work in the graphical file browser it shows your location relative to your Home folder, unless you 
are looking at files outside your Home in which case it shows the location relative to the root.  You should 
have seen how the location changed as you browsed folders in exercise 1-2.

7

Figure 6: Location path for Templates folder in File Browser view.


Your personal home folder (actually called live but labeled as Home), sits within the directory called home 
(with a small h), that contains homes for all users. This directory home is under the root directory, 
represented by a tiny picture of a disk in the graphical view or a single forward slash in the terminal.  

In other words, this information tells you where you are in system.

The location of a file or directory within the system is its path. If you are asked for the full path or absolute 
path to a file, you need to provide a complete listing of all the directories traversed on the system to get to 
that file. That is, you need to give the full path from the root directory to that file.  The path is written by 
starting with a  forward''' slash “/” then listing the names of the directories you need to traverse in the system 
to find that file, with each directory name separated with another forward slash.

To see the full path in the conventional format most command-line programs would expect you to provide, 
press Ctrl-L while viewing a File Browser window. You should see something like this:

To summarize the syntax provided in Figures 9 and 10:

/home

home is a directory located within the root directory

/home/live

live  is a directory within the directory home which is within the root 

directory.  This special directory will sometimes be shown as 

Home, with a

capital H, because it is the home folder for the live user.

As another example: the full path to the file capsall.fasta, in the bioinf_files directory within the home 
directory of the live user:

/home/live/bioinf_files/capsall.fasta

Often you can provide just the route from where you are on the system to where your file is; this is referred 
to as a relative path. For example, if you are working in your home directory, the relative path to the file 
mentioned above would be bioinf_files/capsall.fasta.

 Keeping things organised

Everyone knows it, but it’s worth restating: if you start by creating a folder structure with meaningfully 
named subfolders, name your files so that the names indicate the contents (or follow some defined naming 
convention), and store your files in the right place, your life will be much, much easier!

Using the command shell

The real power of Linux/Unix systems is the command line. 

A list of common Linux commands is provided in Appendix D of this document for reference.

Many programs and facilities are available through graphical options on Linux, but all programs and 
facilities can be accessed by the command line, also known as the shell. Some tasks are easier, or more 
appropriately done using graphical interfaces. Equally though, other things are easier or more appropriately 

8

Figure 7: Location in graphical file browser given in text; this is the the full 

path to the Templates folder in the home directory of the live user account.


done using the command line. Obvious examples include when you need to work with large numbers of files 
or want to automate processes.  First steps on the command line can be hard but the rewards are worth it (we 
promise!)

Access to the command line is done through a terminal window. 

You can open a new terminal by:

clicking the middle button on the terminal icon on the Dash toolbar

or, going into an already open terminal and typing a command to open a second terminal:

gnome-terminal &

Anatomy of a Command

Linux/Unix commands usually take the form shown in Figure 11.   You’ve already seen a good example in 
Exercise 1-1 part c.

The first word you supply on the command line is interpreted by the system as a command; that is – 
something the system should do or a program to be run. Items that appear after that on on the same line are 
separated by spaces. The additional input on the command line indicates to the system how the command 
should work. For example, what file you want the command to work on, or the format for the information 
that should be returned to you. 

Most commands have options available that will alter the way the command functions. You make use of 
these options by  providing the command with parameters, some of which will take arguments. Examples in 
the following sections should make it clear how this works. With some commands you don’t need to issue 
any parameters or arguments. Occasionally this is because there are none available, but usually this is 
because the command will use default settings if nothing is specified. 

If a command runs successfully, it will usually not report anything back to you, unless reporting to you was 
the purpose of the command (eg. ls). If the command does not execute properly, you will see an error 
message returned. Some of these messages are hard to decipher until you have a bit of Linux experience but 
ultimately they should tell you what has gone wrong.

Note:  Items supplied on the command line separated by spaces are interpreted as individual pieces of 
information for the system. For this reason, a filename with a space in it will be interpreted as two filenames 
by default. How to get around this is is addressed in more detail later in the course.

Note 2: The use of the ampersand in the previous example, gnome-terminal &, is explained in a few pages 
time.  You would not put an ampersand on the end of most shell commands.

9

Figure 8: The Linux/Unix command line structure. Each part of a command is separated by
one or more spaces.

       command

   parameters

arguments

what I want to do

how I want to do it

on what do I want to do it

eg: tar

-xvz -f

bioinf_files.tar.gz


Listing files in a directory

The command ls lists files in a directory. 

By default, the command will list the filenames of the files in your current working directory. When you first
open a shell this is your home directory.

If you add a space followed by a –l (that is, a hyphen and a small letter L), after the ls command, it alters the 
behavior of  the command: it will now list the files in your current directory, but with details about them 
including who owns them, what the size is, and what kind of file it is.  Information about this is shown in 
Figure 11. 

Exercise 1-3

     a) Try browsing files in both the terminal and the graphical file browser:

Open a new terminal by clicking the terminal icon

In the terminal, type the command ls. Compare what you see listed with what you see in the graphical 

representation of your Home directory.

Type the command ls –l and note the kind of information being provided and how it compares to the 

graphical representation of your files.

In the graphical File Browser, click on the List option under the View menu, and compare this 

information to that provided using the ls –l command.

In the console, type ls –l bioinf_files and also click on the bioinf_files folder in the graphical file 

browser and compare what you are seeing.

You can also use glob patterns to identify file names by pattern. 

*

an asterisk means any string of characters

?  

a question mark means a single character

[ ] 

square brackets can be used to designate a group of characters

More details about this are given in the Linux shorthand and shortcuts '''section below.

10

Figure 9: The detailed output of the command ls when run with the -l flag

drwxr-xr-x 6  manager 

users   4096 2008-08-21

09:26 twilliams

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 hybInfo.txt

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 targets_v1.txt

-rw-r–r– 1

manager 

users   7793 2007-03-19

14:14 targets_v2.txt

File

type

File 

permissions

User

Group

File
size

Date and time

modified

Filename


(Exercise 1-3, continued)

     b)  Try these commands that use wildcards to match multiple files:

List all the files in the directory bioinf_files. that start with the letters tes

ls bioinf_files/tes*

List all the files in your directory that start with tes, and end in 1.embl, 2.embl or 3.embl

ls bioinf_files/tes*[123].embl

Learning about Linux commands

Most Linux commands have a manual page that provides information about the command and options that 
can alter its behaviour. Many tasks can be made easier by using command options. A good rule of thumb is 
to ask yourself whether what you want to do is something many others may have wanted to do. If the answer 
is yes, then there may well be commands and options available to do that task.

Linux manual pages are referred to as man pages. To open the man page for a particular command, you just 
need to type man followed by the name of the command you are interested in.  To browse through a man 
page, use the cursor keys (↓ and ↑). To close the man page simply hit the key on your keyboard.

If you do not know the name of a command to use for a particular job, you can search using man –k 
followed by the type of thing you are trying to do. An example of this is in exercise 1-3, part c). 

(Exercise 1-3, continued)

     c)

Look up the manual information for the ls command by typing the following in a terminal:

man  ls

Skim through the man page. You can scroll forward using the up and down arrow keys on your 

keyboard. You can go forward a page by using the space bar, and move backwards a page by using the  
key. 

What does the  -h option do?  What about the -a option? What would running ls  -lrt do?

Press the q key when you want to quit reading the man page.

Try running ls using some of the options mentioned above.

Look up some programs with man pages with the keywords “list directory”

man –k “list directory”

11


Basic Linux tips for filenames

Linux does not deal well with spaces in filenames! 

Or to be more precise, Linux itself deals perfectly well with spaces and all manner of special characters in 
filenames but many programs you’ll want to run on Linux do not, and if  you’re talking about those files in 
the terminal you’ll need to remember to quote them as described below.  If you stick with letters, numbers, 
hyphens, underscores and full stops, you will be fine.

Filenames with spaces in them are a common problem when transferring files to Linux from computers 
running Windows, or Mac operating systems.  Normally the simplest thing is to rename the files before you 
work with them.

If you want to reference filenames with spaces in them, you will need to enclose the entire filename in 
quotation marks so that Linux understands that the space is part of one single name.

Alternatively, you can “escape” the space using a backslash. For example, if I have a file called 

my document

Linux will see this as two words, “my” and “document”.

But you could write either of the following to make it understand you mean a single file:

“my document”
my\ document

To avoid worrying about this, a common practice is to replace the space with an underscore. For example:

mv “my document”  my_document

Everything is case sensitive

Linux systems consider capital letters different from lower case letters. The filename myFile is not the same 
as the filename Myfile or myfile.  You could have all three of these in the same folder.

There are some common naming conventions in place for biological data that you should try to follow. More 
is said on this in the second part of this tutorial.

Getting the prompt back when running graphical applications from the 

terminal

On an earlier page the command gnome-terminal & was suggested as a way to start a new terminal, but the 
ampersand symbol was not explained.  By default, when you run a command the shell expects that the 
command will want to display text in the terminal window so it gets out fo the way until the command is 
finished.  Ending a command with & tells the shell to go immediately back to the prompt, not waiting for the
command to complete.  This makes most sense when you expect the command to open up a new graphical 
window.  It is also possible, though more fiddly, to change your mind and get the prompt back while the 
command is running.

Confusingly, some graphical programs will always signal the shell to keep going even if you omit the 
from the command.  To demonstrate the default behavior we can use a very simple program called xcalc.  
The following exercise will hopefully help you understand how all this works.

12


Exercise – understanding the function of “&”:

1. In a terminal, type the command xcalc

1. A basic calculator should appear.  Try it out.
2. Try to type another command (eg. pwd) back in your terminal window.
3. Close the xcalc window and now see what happens back in the terminal.

2. Run xcalc again and leave it running.  Now we’re going to get the terminal prompt back…

1. Back at the terminal, type Ctrl-z (ie. hold down Ctrl and tap z).
2. What message do you see?  Hopefully you can run commands again.
3. Try using the calculator.
4. In the terminal, give the command bg and try using the calculator again.

3. Run xcalc once again with an ampersand after the command – xcalc &

Linux shorthand and shortcuts

Understanding Linux commands can seem daunting at first. This is in part due to particular characters (full 
stops, question marks, etc.) having special meaning in commands. Once you learn the basics, these shorthand
characters are extremely useful and time saving.

The following incomplete list covers the symbols you will see most often today and describes their meanings
as you will most likely encounter them in this course. 

*

    

matches any character appearing 0 or more times, also known as a wildcard

  

ls  mydir/*

list all the files under the directory mydir

ls  cat*

list all files starting with the letters cat 

ls  cat*hat

list all files starting with the letters cat and ending in hat

?

matches a single character

ls cat??hat

list all files starting with the letters cat followed by any 2 letters,

and then hat

.

the directory you are currently in – ie. the last one you moved to using cd

..

the directory one level above the one you are currently in, aka. the parent directory

~

shorthand for your home directory, eg. /home/live

$var

dollar sign indicates a variable substitution, even within double quotes 
– see the section on environment variables

!

used for history substitution – not covered in this course

-

often seen preceding a parameter (eg. ls -l)
also, the command cd - is a special case meaning “cd to previous directory”

;

a semicolon can be used to separate two commands on the same line;

 

it is also used when writing loops – see p59

More Basic Linux Commands

13


A list of common Linux commands is provided in Appendix D of this document for reference.

Changing directories

The command used to change directories is cd

If you think of your directory structure, (i.e. this set of nested file folders you are in), as a tree structure, then 
the simplest directory change you can do is move into a directory directly above or below the one you are in.

To change to a directory one below you are in, just use the cd command followed by the subdirectory name:

cd  subdir_name

To change directory to the one above your are in, use the shorthand for “the directory above”   ..

cd ..

If you need to change directory without worrying where you are now, you could explicitly state the full path:

cd /usr/local/bin

If you wish to return to your home directory at any time, just type cd by itself.

cd

And finally, you can type

cd – 

This returns you to the last directory you were working in before this one. 

If you get lost and want to confirm where you are in the directory structure , use the pwd command (print 
working directory). This will return the full path of the directory you are currently in. Also by default in Bio-
Linux, you see the name of the current directory you are working in as part of your prompt. 

For example, when you first opened the terminal in a live session you should see the prompt:

live@biolinux[live]

This means you are logged in as the user live on the machine named biolinux, and you are in a directory 
called live.  (Recall that the full path of your home directory is /home/live.)

If you move into the bioinf_files directory

cd bioinf_files

you would see the prompt:

live@biolinux[bioinf_files]

14


Exercise 1-4

Ensure you start in your home directory by using the cd command on its own.  Change directory from 

your home directory to the directory bioinf_files by typing

        cd bioinf_files

Find the full path to where you are by typing

pwd

Type cd bioinf_files a second time.  Why doesn’t this work?

Change directory into the /usr/bin directory by typing

cd /usr/bin

List the files in this directory.

This is the main directory of runnable programs on the system. 
Some bioinformatics software can be found in here. Others are in /usr/local/bin

How can you get back to the bioinf_files folder from here?  Can you work out how to do it with a 

single command?

Tab completion

Tab completion is an incredibly useful facility for working on the command line. 

The main thing tab completion does is complete the filename or program name you have started typing, 
saving you typing time and reducing spelling errors.

For example, from your home directory, you could type:

cd bio

and hit the tab key.

If there is only one directory with a name starting with the letters “bio”, the rest of the name will be 
completed for you. Here this would give you:

cd bioinf_files

The terminal environment on Bio-Linux is set up such that if there is more than one file with that 
combination of letters, all the files will be shown to you. You can choose the one you want by typing more of
the filename, or by continuing to hit the tab key multiple times.

15


Exercise 1-5

Return to your home directory if you are not already there by typing cd

Type cd bio and use tab completion for the rest of the command. Only then press the return key.

You will now be in the bioinf_files directory.

Type ls testseq and use tab completion. This will show you a list of files that start with testseq.

You now have the option of completing the filename yourself, or “tabbing” through the  filenames

available.

Press the tab key a number of times to see what happens.

Type ls c and press tab once to view the files available. 

Type a further such that you now have ls ca on the command line. 

Now press the tab key again.

As you get faster with this, it will save you a lot of typing effort.  Also, tab completion knows how to

escape spaces and other non-standard characters in file names for you.

Exercise 1-6

In the previous exercise tab completion was finding files in the working directory, but it can also help 

you find command and program names because the system knows that the first word you type is going 

to be a command name.

Type a on the command line and then press the tab key. 

Add rte to the a so that you now have arte on the command line. Press the tab key again.

You will see that there is only one command that starts with these letters: artemis 

For programs that might contain case sensitive names, tab completion can be especially useful.

Type bl on the command line and press the tab key. You will see a number of program names listed. 

Keep pressing the tab key to see how the filenames will cycle through on the command line.

16


Command history

Previous commands you have used are stored in your history. You can save a lot of typing by using your 
command history effectively. If you use the up arrow key when you are at the prompt in your terminal, you 
can see previous commands you have run. This is particularly useful if you have mistyped something and 
want to edit the command without writing the whole command out again.

You can also view past commands using the command history. By default, history will return a list of the 
last 15 commands run. You can add a number as a parameter to the command to ask for longer or shorter 
lists. For example, to return the last 30 commands run, you would type:

history -30

It is possible to “speed search” previously-executed commands by pressing the key combination: 

Ctrl-r (ie. hold down Ctrl and tap the R key)

Then start to type.  The command history will be scanned and the last matching command will be displayed 
on the console. Type Ctrl-r repeatedly to cycle through the entire list of matching commands.

Exercise 1-7

Type  history -n 10 on the command line.

Type Ctrl-r, then start typing ist.

Making a directory

To make a new directory, use the command mkdir (make directory). For example:

mkdir newdir

would create a new directory called newdir.

Exercise 1-8

Start in your bioinf_files directory.

Make a new directory called testdir

The graphical view of your account should immediately update to show this new directory.

Move into the new directory testdir

Move straight back into the bioinf_files directory using a single command.  (see the shorthand and 

shortcuts section above for a hint)

17


Office software

Leaving the command line for a short while…  There are a number of word processors and spreadsheet 
programs available for your system. In this course we will look at the LibreOffice suite of programs, 
previously known as OpenOffice. This is an open source alternative to Microsoft Office and can be run on 
both Linux and Windows.

The programs within LibreOffice  can be run graphically from the icons in the Dash toolbar.

Exercise 1-9

Click on the LibreOffice Calc Spreadsheet icon.

Under the File menu, click on Open.

Look inside the bioinf_files directory.

Open the file called example.xls.

Make a few changes and save the file using the Save or Save As… options under the File menu.

Close LibreOffice Calc by choosing Exit from under the File menu.

18

  Text files, Word Processors and Bioinformatics

Documents written using a word processor such as 

Microsoft Word or LibreOffice Write are not plain text 

documents. If your filename has an extension such as 

.doc or .odt, it is unlikely to be a plain text document. 

(Try opening a Word document in notepad on Windows if you want proof of this.)

 

Word processors are very useful for preparing printed documents, but we recommend you do not use them 
when working with bioinformatics data files.

There is a handy command called simply file that will inspect a file and tell you what it looks like.  If you 
run this on a FASTA file it will say “ASCII text” because FASTA is a plain text format.  If it says "binary 
data“ or ”HTML“ or ”OpenDocument Text" or whatever then this is not actually a FASTA file, even if it 
resembles one when viewed in soem applications.

Word processor

Spreadsheet

Presentation editor

Figure 10: LibreOffice Applications in the dash toolbar


Using text editors

Plain text files are important, both as input to bioinformatics programs and as input or configuration files for 
system programs. We highly recommend that you learn to use a text editor to prepare and edit plain text 
files.

There are a number of different text editors available on Bio-Linux.  These range in ease of use, and each has
its pros and cons. In this practical we will briefly look at two editors, nano and gedit.

Nano

Pros:

very simple – for example, most command 
options are visible at the bottom of the 
window

can be used right in the terminal without 
graphical support

fast to start up and use

supports syntax hilighting

Cons: 

due to simplicity, lacks some advanced 
features – eg. line numbering, search by 
pattern

it is not completely intuitive for people who 
are used to graphical word processors

Gedit

Pros:

very easy to start using

supports syntax hilighting

looks similar to a word processor, but is in 
fact a powerful text editor.

has many useful plugins that you can easily 
install

Cons: 

it is a graphical program and cannot be run 
from a text-only environment

it is slightly slower to start up than non-
graphical editors

for real power users, it’s not a match for Vim 
or Emacs

As most users will work on Bio-Linux using a graphical environment, we will only use Gedit in the exercise 
for this section.

Exercise 1-10

Editing a file with Gedit

To start up Gedit, you can use the command line, or find it in the Dash menu. Choose one of the two 
methods to open gedit:

Command line

Type gedit &

Graphical menu

Click the Dash Home at the top left of the screen, then type edit and click the Text Editor icon.

Type three or four lines of text into the gedit window. 

Save your file using the save option under the File menu (note, you have to move your mouse right to 

the  top of the screen to see this) or simply click the Save button on the Toolbar. Save it as 
myfirstfile.txt in your testdir directory.

19


Exercise 1-10 continued

To save  a file under the testdir directory, you may have to click on the drop down arrow to Browse for 
other  folders. This will expand this section into a File Browser like the one you’ve seen in past exercises. 
Simply browse through to the location testdir is in and click the Save button.

Add a new line to your file and save the file again using the Save As… option under the File menu. 

Save this file as mysecondfile.txt in the testdir directory. 

Add more functionality to gedit by choosing the menu options; Edit → Preferences. A pop-up box 

will appear with 4 tabs:

View

Editor

Font & Colours

Plugins

Seeing the line numbers in a file helps to keep track of your position in that file. We will enable line 
numbers here.  

On the View tab enable  Display line numbers. Now you can see the line numbers on the left. 

Next, click on the Plugins tab and enable the Change Case and the Document Statistics plugins.  

Browse around the other plugins and see what functionality they provide.

Under the Tools menu, click on Document Statistics.  

Try out the other newly added plugin, by selecting a piece of text from the document you are editing 

with the mouse and click on the Edit menu. Hover the mouse over the Change Case menu and choose one
of the options you are presented with.

Change part of one of the lines in this file and save it again using the Save As… option under the File 

menu. This time save it as mythirdfile.txt in the testdir directory.

Quit gedit by choosing the option Quit under the File menu.

Reading text files

There are many commands available for reading text files on Linux/Unix. These are useful when you want to
look at the contents of a file, but not edit it. Among the most common of these commands are catmore, and 
less.

cat simply prints out a whole file in the terminal, which is often a very useful thing to do. However, cat 
streams the entire contents of a file to your terminal at once and is thus not that useful for reading long files 
as the text streams past too quickly to read. (Note – cat is short for concatenate because if you give it 
multiple files it will string them together in order before printing them.)

more and less are commands that show the contents of a file one screenful at a time. less has more 
functionality than more; specifically it can scroll backwards, hence the name. 

With both 

more and less, you 

can use the space bar to scroll down the page, and typing the letter q causes the program to quit – returning 
you to your command line prompt. 

Once you are reading a document with more or less, typing a forward slash / will start a prompt at the 
bottom of the page, and you can then type in text that is searched for below the point in the document you 
were at. Typing in a ? also searches for a text string you enter, but it searches in the document above the 
point you were at. Hitting the n key during a search looks for the next instance of that text in the file.

20


With less (but not more), you can use the arrow keys to scroll up and down the page, and the b key to move 
back up the document if you wish to. 

Exercise 1-11a

Move into the bioinf_files directory. 

Read the file hsy14768.embl using the commands catmore and less.

Don’t forget that tab completion can save you typing effort.

cat hsy14768.embl

more hsy14768.embl  Use the spacebar to scroll down

Press q to quit.

less hsy14768.embl

 Use the spacebar to scroll down, to go up a page, and the up and 
down arrow keys to move up and down the file line by line.
Press the / key  and search for the letters sequen in the file.
Press the ? key and search for the letters gene in the file.
Press the n key to search for other instances of gene in the file.

In almost all cases, if you want to look at a file in the terminal you want to use less. The cat command is 
more usually used in conjunction with other commands or when you actually want to concatenate files. The 
more command does nothing that less can’t do.

An important note on line endings – CR and LF

There is one major gotcha when working with text files, and it stems from a decision made way back in the 
olden days of line printers.  To print a text file on such a device, you would send the raw text file directly 
down the serial line to the printer and at the end of each line you sent two control codes, one to advance the 
paper (line feed) and the other to move the print carriage back to the start (carriage return).

In MS-DOS, later Windows, both these codes were embedded in standard text files at the end of every line.  
In UNIX, and later Linux, a single LF character is used to indicate a newline.  On old Macs it was a single 
LF.  New Macs use the UNIX convention, so text files with single LF newlines are rare.

Many programs on Linux are written to deal with all these conventions – they just helpfully regard any 
combination of CR and LF as meaning “next line”.  Others are not, and will either complain the file is invalid
or worse will try to process the extra characters as meaningful data and produce nonsense results.  You don’t 
need this hassle so, much like we recommended removing spaces from filenames above, we also recommend
ensuring all your text files are in order before attempting any bioinformatics on them.  The next exercise 
shows how you might do this.

21

  Remember the man pages

There are many command line options available for each of the above commands, as well as 
 functionality we do not cover here. To read more about them, consult the manual pages:

man cat
man less

As you’ll see, the manual pages are actually displayed for you using less.


Exercise 1-11b

In Gedit, open the file hexaseqs.list which is provided in bioinf_files.

Without editing the file, save it as a new file named hexaseqs_crlf.list but on the Save As dialog switch

the Line Ending option to Windows.

Try these commands in order:

file hexaseqs.list hexaseqs_crlf.list

ls -l hexaseqs.list hexaseqs_crlf.list

Note the difference in file sizes in the fourth column

cat hexaseqs.list

cat hexaseqs_crlf.list

cat -A hexaseqs.list

cat -A hexaseqs_crlf.list

Now run these.  Remember that the in a filename is a shorthand to match multiple files at once. Don’t 

worry about the specific meaning of the sed command but do ensure you type it exactly like as shown.

sed -i “s/\r//” hexaseqs*.list

file hexaseqs*.list

In summary:

The line endings problem is a historical annoyance that won’t go away.

The file and cat -A commands are the quickest ways to detect troublesome CRLF line endings.

Using Gedit and saving with the Unix/Linux mode is the simplest and safest way to remove 
them.

The command shown above using sed (sed is a handy tool but we don’t really have time to cover
it in this course) can quickly strip all the CR characters from multiple files in one go.  It’s safe to
run this on any regular text file, but if you run it on, say, and Excel file or an image or a .zip or 
.tar.gz file then the file will effectively be destroyed.

Copying files

The basic command used to copy files using the command line is cp. At a minimum, you must specify two 
arguments: the name of the file to be copied, and where you wish to copy the file to.

The main things to know about using the cp command are:

if you provide the name of an existing directory as the second argument, the file named in the first 
argument will be copied into that directory.

otherwise, it will be assumed that the second argument is the new name to be used for the copy you 
are making, whether the name corresponds to an existing file or not

if you provide more than two arguments to cp, the final argument needs to be the name of a directory
that already exists and all the preceding arguments need to be files that will be copied to the 
directory

Examples (try these in the bioinf_files folder if you like, or go straight on to 1-12):

cp unknown.fasta my_new_file.fasta   - clones unknown.fasta with the new name my_new_file.fasta

22


cp  unknown.fasta my_new_directory  - probably not what you wanted! It just makes another file.

mkdir an_actual_directory
cp  unknown.fasta  an_actual_directory - copy unknown.fasta into an_actual_directory you just made

cp *.embl an_actual_directory -  copy all the .embl files into the new directory in one go

To  copy whole directories, with all the subfiles and subdirectories, use the –R option, (meaning recursive). 

cp –R  an_actual_directory foo copy directory and its contents as a new directory, foo

The Linux shorthand for “this directory right here” (a dot  .  ) and “the parent directory” ( .. ) comes in handy 
when copying:

cd foo
cp –R ../blastdb  .

copy blastdb from the directory above and put the copy here in foo

Make sure you leave a space between the directory name and the final dot. 

Also useful is the shorthand for someone’s home account. e.g. instead of having to know and type the 
location of their account, you can use ~username  In the case of your own account, you use just the 
symbol, followed by a   / if you want to specify any subdirectories in your account.

(note the next two examples don’t work on the demo system as the files are not in place)

cp   ~user2/somefile  .

copy the file somefile from user2’s home directory  to my
current working directory. Note that you need the appropriate
permissions to do this!

cp   ~/Documents/mytext  .      copy the file or directory called mytext from within my Documents

 

directory to my current working directory.

Exercise 1-12

Move into your directory testdir from exercise 1-8.

List the files in this directory.

Make a copy of myfirstfile.txt called test.txt

Make a copy of mythirdfile.txt called  myfourthfile.txt.

Make a directory called subdir.

Copy mysecondfile.txt into subdir

Copy all the files that have the letters fil in the name into the subdir directory.

Move back into the bioinf_files directory

Copy all the files that start with the letters tes and end in .embl into the directory subdir.

Linking to files

Sometimes you want to access a file or directory at a different location but you don’t actually want to copy it.
For example if you have a data file in a system folder or network drive that you want to be able to access 
quickly from your desktop, but you don’t actually want the entire file to be copied to your desktop folder:

23


  ln -s  /usr/local/bioinf/sampledata/nucleotide_seqs/multiple_seqs.fasta  ~/Desktop/multiple.fasta

     

If you now try to open multiple.fasta in any application (eg. Gedit), you will see the data from the linked file 
as if you accessed it directly.  If you write to the link you will be writing data straight to the original file (but 
in this case you will not have permission to do so).

You can examine links using the long output mode of ls.

ls -l ~/Desktop/multiple.fasta

lrwxrwxrwx 1 live live 35 2011-05-12 11:46 

/home/live/Desktop/multiple.fasta ->

/usr/local/bioinf/sampledata/nucleotide_seqs/file1.fasta

The initial letter ’l’ shows we are dealing with a link.  Links do not have their own permission settings so ls 

shows them all as enabled, but links do have an owner depending on who created them.  The target of the 
link is shown last.  The target can be any file, directory or even another link.  Note that Linux will not stop 
you from making a link where the target is non-existent or inaccessible, but ls will help you to spot these 
“dangling links” by colouring them in red.

Removing files and directories

The key difference between deleting something from the command line and using the graphical file browser 
is that in the first case the file vanishes immediately, but in the second it will be stored for a while in the 
Rubbish Bin and can be retrieved.

Option 1: Using the command line (effect: deletes files from the system)
To remove a file or files, use the rm command followed by the name of the file(s) you wish to delete.

rm  file1
rm  file2  file3  file4
rm  foo/*

remove all files in foo but not the directory itself

To remove an empty directory, you can use the rmdir command:

rmdir  thisdir

If that directory contains any files, you will not able to delete the directory using rmdir until you have 
deleted all the files within it.  To delete a directory and all the files in it at the same time, use the rm 
command with the option -r (for recursive)

rm –r  fulldir

If you use the above command on Bio-Linux, you will be prompted to confirm that you wish to delete each 
file. While sometimes useful, this can be tedious. If you are certain that you want to delete all the files in that
directory, as well as the directory itself,  then you can combine the recursive flag with the force (-f) flag 

rm -rf anydir

So if you are 100% confident that you will never make a mistake, you can use rm -rf for all deletions, but 
for mere mortals it is good practice to use the more specific commands, as this can mitigate mistakes.

Option 2: Using the File Browser (effect: moves files into the Rubbish Bin)
If you are in the graphical file browser, just find the file you wish to remove, right click on it and choose the 
Move to Rubbish Bin option or else press the Delete key on the keyboard. Note that this file will not be 

24


removed from your system, only hidden, and can be retrieved via the Rubbish Bin icon in the bottom right of
the screen.

If you were deleting the file to make space, you now have to empty it from the Rubbish Bin to actually get 
the disk space back.  You can remove the file permanently in one go by holding down the Shift key on your 
keyboard and while keeping this key depressed, pressing the Delete key. A message box will pop up asking 
you to confirm that you really wish to permanently delete your file.

Exercise 1-13

Move into the testdir directory.

Delete mythirdfile.txt using the command line

Delete myfourthfile.txt using the graphical file browser.  Is the files now sitting in the Rubbish Bin?

Back on the command line, move back into your Home directory.

Then delete myfirstfile.txt from testdir without moving back to the testdir directory.

Delete the entire testdir/subdir directory without being prompted about the deletion of each file 

individually.

Redirecting output to files

You have seen how the cat command can take the contents of a file and put it straight into the terminal, but 
we can also do what is essentially the opposite and capture output that would normally go to the terminal and
put it in a file.  This is done by the redirection operator >.  For example:

ls > file_list.txt

In this case the output of ls will not appear on the screen but you will see a new file called file_list.txt.  If 
you cat this file or open it in gedit you’ll see the file list.  Note that the result is no longer coloured, as there 
is no way to represent colour information in a plain text file, and has been formatted into a single column list,
but otherwise is identical.

25

  Notes on Reading, Copying and Removing Files and Directories

On Bio-Linux the commands cpmv and rm have been aliased to cp –i , mv –i  and rm –i  respectively. 

This means the system will ask you if you really mean to overwrite files should the situation arise with cp or 
mv, or delete the file you have just asked to delete when using rm. You must respond with a y or Y if you do 
wish to proceed. Hitting any other key will cause the action you requested to be ignored. 

You cannot assume that any other Linux/Unix systems you work on will be configured this way, but you can 
always set these settings yourself.


Piping output between applications

A remarkably powerful facility on the Linux command line is the ability to take the output of one command 
and use it directly as the input to another command.  This is referred to as piping the output of one command
into another command.

The vertical bar symbol used for this is called a pipe and looks like:    |

Standard UK PC keyboards have the pipe symbol on the same key as the backslash symbol, at the bottom, 
left hand side of the keyboard. So pressing the Shift key and the backslash key together will give you the 
pipe symbol.
On some keyboards, the pipe symbol is at the top left hand side, on the same key as the backtick. To type a 
pipe symbol on such keyboards, hold down the key Alt Gr and hit the back tick ( ) key (left of the number 
1 key).

An example of when you want to use a pipe would be if you wanted to list all the files in a directory, but 
there are too many to fit on a single page. You probably saw this when you listed the contents of /usr/bin 
back in Ex. 1-4. 

You can pipe the output of the ls command (a list of files) into the less command, which will allow you to 
view the list page by page. To list the files in /usr/bin and view them page by page, the command would be:

ls  /usr/bin  |   less

Another useful command to use with pipes is the wc command, which stands for wordcount. By default, wc 
returns the number of newlines, words and bytes in a file. Or you can tell wc to return just the number of 
lines by using the -l parameter (see the manpage for wc). 

For example, you could find out how many files you had in a directory by typing:

ls  |  wc -l

26


Diff, Grep and Sort

In this section, we look briefly at three very useful commands: diffgrep and sort. As with all the commands
covered today, we recommend that you read the manual page for more information about how these work 
and what options are available.

Diff

diff  compares files line by line and reports the differences between the files. In fact, diff can be used for 
more involved tasks as well, like comparing the contents of directories. This can be very useful when you are
looking for changes that you or someone else has made. 

Exercise 1-14

Move into the testdir directory.

Type diff test.txt  mysecondfile.txt  to see what diff reports to you.

Type  cat  mysecondfile.txt |  diff  -  test.txt

In the above command the hyphen (-) refers to the information being given to diff through the pipe. That is,
the information resulting from the command cat mysecondfile.txt is put directly into the diff command. 
Obviously, in this instance it would be easier just to give the name of the file, mysecondfile.txt, but there 
are many instances where being able to use – to mean “what I am sending in via the pipe” can be useful.

Grep

grep stands for global regular expression print; you use this command to search for text patterns in a file 
(or any stream of text).  Eg try this.

grep  “adge”  /usr/share/dict/words

You can also use flexible search terms, known as regular expressions, in your grep searches. You have 
already used glob pattern expressions in this practical, but regular expressions are somewhat different and 
more powerful. For example, when you listed all files with the pattern tes*embl* you were using a glob 
pattern comprising explicit characters (e.g. tes) and special symbols (meaning any character or characters). 
The equivalent in grep would be “tes.*embl.*” where the period signifies any single character and the * 
signifies any number of repeats.  

Therefore to convert from a shell glob pattern to a regular expression replace each * with .* and each with .
.  You also need to enclose the expression in quotes to tell the shell not to try and interpret it as a glob.

Unmodified glob patterns fed to grep but will not work as intended.  For example the pattern tes* in grep 
means te followed by any number of s characters in sequence (te, tes, tess, tesss, …).  The question mark 
now signifies optionality – so tes? means te followed by zero or one s character (te, tes). Regular 
expressions are found in several places other than grep, most notably in the Perl scripting language. The full 
syntax is extensive and powerful but is beyond the scope of this course, so back to the grep command itself…

grep requires a regular expression pattern as a parameter, and prints all the lines in a file containing that 
pattern.

grep is especially useful in combination with pipes as you can filter the results of other commands. 

For example, perhaps you only want to see only the information in an EMBL file relating to the origin of the 
sequence, that is, the DE line. You do not need to search the file in an editor, you can just grep for lines 
beginning in DE, as in the next exercise.

27


Exercise 1-15

While in the bioinf_files directory, type the command:  grep “DE” hsy14768.embl

What is this command doing? 

Can you see why the above command results in the output you see? 
An explanation of this command can be found below this exercise box. 

Try the commands: grep “^DE” hsy14768.embl   and   grep -x “DE.*”  hsy14768.embl

What are the ^ symbol and the -x parameter in these commands doing?

Check the manpage for grep to be sure.

Try the command: cat hsy14768.embl | grep “^DE”.  Does that do what you expected?

Move to your home directory and type ls –lR

Read the manual page for ls if it is not clear what this command returns.

Use the above command with a pipe and a grep command to search for files created or 

modified today. 

List the files in the bioinf_files directory and use the grep command to look for those containing the 

characters d4

The first command in the previous  exercise searches all the text in the hsy14768.embl file and returns the 
lines in which it finds the letter D followed by the letter E. 

The second command in the exercise also returns lines in the file that have a letter D followed by a letter E, 
but only where DE is found at the beginning of a line. This is because the ^ symbol means “match at the 
beginning of a line”.  The $ symbol can be used similarly to mean “at the end of a line”.  These are known as
anchors.  Passing the -x flag to grep tells it to automatically anchor both ends of the search pattern.

What this anchoring does in the example above is return to you just the organism information in the embl 
file. This is because none of the other lines returned in the previous command started with DE, they just 
contained DE somewhere in them.  This is an example where knowing how information is stored in an given 
file, along with a few basic Linux commands, allows you to retrieve information quickly.

Another common example is counting how many sequences are in a set of multi-fasta files. We can do this 
with pipes between the commands catgrep and the ever-handy wc, which here we use to count lines found 
by grep.

cat *seqs.fasta  |   grep “^>”  |  wc  -l

Each sequence in a fasta file starts with a header line that begins with a . The above command streams the 
contents of all files matching the glob pattern *seqs.fasta through a search with grep looking for lines that 
start with the symbol > .   The quotes around the pattern ^> are necessary, as otherwise it is interpreted as a 
request for redirection of output to a file, rather than as a character to look for.  As before, the ^  symbol 
means “match only at the beginning of the line”. 

The output of this grep search is sent to the wc command, with the  -l  indicating that you want to know the 
number of lines – ie. the number of headers and by implication the number of sequences. 

So a synopsis of the command above is:  Read through all files with names ending seqs.fasta and look for all
the header lines in the combined output, then count up those lines that matched and return the number to 
screen.

We cover sequence formats later on in part 2 of the tutorial. 

28


Environment Variables

We have seen that the way commands run can be modified by the options passed on the command line.  
Some commands also read values called environment variables which affect their behaviour.  Environmental 
variables are set within the shell via the export command and are passed to any processes you run.  This is 
useful when you want to set some parameter that is common to all invocations of a command, or applies 
across several commands.  For example, your favourite text editor may be, say, Gedit, or Nano, or Vim, or 
Emacs.  In the shell you can say:

export EDITOR=vim

Now any command that wants to run a text editor knows what your preferred editor is.  Within the shell you 
can get at the current value of en environment variable by prefixing it with a sign, eg.

echo $EDITOR  

prints the current value of the EDITOR environment variable to the screen

The printenv command dumps all environment variables.  Note that environment variables are only set in 
the current shell and are not saved by default, so if you run a command in another terminal or close and 
restart the terminal any values you set will be lost.  For information on making the settings permanent by 
editing your .zshrc file see the user guide under Supported Shells.

Exercise 1-16

Give the command:  export  VAR1=hello (with no spaces around the = sign) then:

echo $VAR1

echo $  VAR1

echo “$VAR1”

echo ’$VAR1’

Start a new terminal window by typing: gnome-terminal &

Within this new terminal: echo $VAR1

Start a second new terminal by right-clicking the icon in the Dash and selecting New Terminal

Within this new shell: echo $VAR1

Go back to the original shell window

unset VAR1

echo $VAR1

Has this affected either of the other two shells you started?  Check them:

echo $VAR1

Environment variables are inherited when one process starts another, much like genetic material is inherited 
when a cell divides.  Hopefully this explains the behaviour you see in the exercise above.  When you start a 
terminal from en existing shell it inherits the environment from that shell.  When you start one from the 
system menu it inherits just the base system environment.  Furthermore, once a program is running no 
external program can modify its environment variables.

29


Changing permissions on files and directories

Every file on the system has a set of permissions on it that dictate who on the system can read, change or 
delete, or execute the file. By default, all the files you create in your account are readable, changeable or 
executable by you. However, you can grant other users permissions to access parts of your account if you 
wish.

Below is some basic information about file permissions.  Since there is only one user on the live system this 
isn’t really relevant to your current setup. If you are working on a shared system and want to set up access to 
your files for other people on the system, please get advice from your system administrator.

The command to change permissions is chmod. You have to specify who you are modifying the permissions 
of, what the new permissions are, and what file or directory to act on.

The format of the chmod command is:

chmod  who ± permissions   filename(s)

who can be:

u 

means user and refers to the owner of the file  

means group, and refers to the group the file belongs to

o 

means others, everyone on your systems apart from those above

means all three, i.e. user, group and others

permissions can be:

means read permission

means write permission

means execute permission

Each user has a default group and possibly extra group memberships.  Use the id command to view your 
group memberships.  When you create a new file it will be owned by you and by your default group.  If you 
are a member of additional groups, you can switch the file to any of those groups using the chgrp command.
(Please refer to the manual pages for the commands chown, chgrp and chmod for more on this topic.)

For simplicity, let us assume that you and a co-worker have both been put in the default group labusers and 
wish to share your data files found in ~/bioinf_files.

chmod a+x ~ 

give permission to anyone to execute, in this case, so 

that they can move through, your home directory.

chmod g+rx  ~/bioinf_files 

give permission to people in the group to access files in the 
bioinf_files directory under your home directory, including
listing the files with ls

chmod g+r ~/bioinf_files/*

give permission to people in the group to read the files in the 

directory 

The first command could have been “chmod g+x ~”.  This would unlock your home directory only to users 
in the labusers group.  However, enabling access for anyone is generally safe, as long as permissions on the 
files and subfolders prevent anyone from actually accessing them, and unless you set a+w in addition to a+x 
nobody but you will be able to list the files in your home directory.

30


Some other useful information

Copying and pasting text

Most Linux applications, including the shell terminal windows, have Copy and Paste options in the Edit 
menu or available in the pop-up menu when you click the right mouse button.  You can copy text within 

the application or between different applications.  There is also a quick way to copy text within the 
terminal by highlighting text to select it, and using the middle mouse button to paste the text.

The exact way to select, copy and paste text from within a terminal windows depends on how your mouse 
has been set up.  Normally you would highlight text by dragging the mouse across it with your left mouse 
button depressed to copy the text, and paste by clicking the middle mouse button (or the two outer mouse 
buttons pressed simultaneously).  Note that within the terminal it doesn’t matter where you click the middle 
mouse button – the text will always be inserted at the current cursor position.

The simple way to stop a process

Sometimes a command or program you run in the terminal goes on too long, or is obviously doing something
you did not plan. If  there is  no obvious way  (such as a menu option or button) to stop the program running, 
try using Control and (more commonly written as Ctrl-c). i.e. hold down the Control key and hit the c 
key.  This requests the program to stop immediately, though the program may ignore the request.

Note that this is the same key combination used in most graphical applications for copying text. Remember

that highlighting text in a Linux terminal automatically copies it into the buffer – you don’t need to press

Ctrl-c before pasting with the middle button.

Putting a command to one side

Sometimes, you are in the middle of typing a long command, and you suddenly realise you need to do 
something else in the terminal, like list the current directory contents or check the manpage, before you run 
the command.  Z-shell provides a handy shortcut for this: Alt-q.  When you press Alt-q the current 
command disappears and you have a new empty prompt, but the unfinished command has been remembered 
and will reappear with the next prompt ready for you to edit and run it.
An alternative is to hit Ctrl-c.  Within the shell,  Ctrl-c does not cause the shell to exit but it does cause the 
current command to be abandoned and a fresh prompt to appear.  Unlike with Alt-q the unfinished command
will still be visible in the terminal display so you can select it and paste it back in with the middle button if 
you decide you want it after all. (Try it!)

Logging out of a session

To logout, you can press the' Power Icon on the far right of the top taskbar (Figure 2) and choose the Log 
Out option. 
To shut down the machine, you can choose the Shut Down option on the same menu. If you are working on 
the console of a machine with users apart from you, then please check with your system administrator before 
powering down the machine. Other people might want to log in remotely.

Clearing your terminal of text

Your terminal windows can fill up with lots of text, and it can become difficult to see the information you 
want because of all the clutter.  You can clear the terminal window by typing

clear

31


Accessing a running program or working with others interactively

If you just run a job and then close down the terminal you ran it from, normally the job will be terminated. It 
would be nice to be able to leave a long job running and be able to log out and then log back in again to see 
how it is progressing.  This is especially true if you log in remotely via SSH and experience network 
disruptions, or if you run programs that can take quite a long time, but ask you for input periodically. 

Luckily, there is a tool that makes it possible to leave programs running with no danger of them terminating 
if you log off or your terminal is closed. In addition, when you log back into your system, either locally or 
remotely, you can “re-attach” to your earlier session so it feels like you are picking up where you  left off, in 
the same window you were running your program from. 

The utility that allows you to  do this is called screen. It must be run before you start running other programs
in your window. Screen can also allow two people on different machines to work in the same session – i.e. 
Real time collaborative editing is possible with screen.

Unfortunately, how to work with screen is beyond the scope of this course. However, the link below provides
a useful beginners tutorial about screen and multi-user sessions:

https://www.linode.com/docs/networking/ssh/using-gnu-screen-to-manage-persistent-terminal-

sessions#screen-basics

An extensive list of command options can be found in the screen manpage (ie. type man screen).

Accessing your machine – including a full graphical desktop - remotely

Bio-Linux is set up for secure remote access.  We can’t demonstrate this on the Live system but it is well 
worth knowing that if you have an installed Bio-Linux system you can connect to it securely over the 
network, so long as your account is enabled in the ssh group and you have network access to the machine (ie.
not blocked by a site firewall)

You can connect to your (installed) Bio-Linux system remotely using X2Go software. If you download an 
X2Go client to another Windows, Linux or Mac system, you can connect to an installed Bio-Linux system 
and run a full, graphical, desktop session remotely. Further details on how to do this can be found on the 
website at:

http://environmentalomics.org/bio-linux-remote-access

Note that due to limitations of the remote protocol, X2Go will use a fallback desktop “MATE” session which
is slightly different to the default “Unity” desktop environment described in this tutorial.

32

There are many useful commands available on Linux and we cannot begin to cover them in this course. We 

recommend that you consider buying a book to help you learn how to use Linux efficiently.


Part Two: Introduction to Bioinformatics on Bio-Linux  

This section of the tutorial introduces you to running bioinformatics software on Bio-Linux, including how 
to find out what is available for particular types of bioinformatics tasks, some options you have for running 
programs on the system, and where to find documentation about the software on the system. This course 
does not cover the detailed use or understanding of any particular piece of software.

You should read through the general information in the next few pages, then look at which specific programs
are of most interest to you.

The main points we hope you take away after completing this section of the tutorial are:

a) You can discover and run bioinformatics tools even if you have not explicitly been taught 

how to use them.

b) If you have repetitive tasks to carry out, chances are there are ways of fully or partially 

automating them.

c) Web interfaces are easy, and have certain benefits, but a competence with the command line 

gives you access to more possibilities and sometimes these will suit your needs better.

Documentation and Help for Bioinformatics Software on Bio-Linux

There are a number of  sources of information about the bioinformatics software on Bio-Linux, including 

Bio-Linux bioinformatics documentation

local copies of software documentation – look in /usr/share/doc

options under the help menus in some graphical programs

web pages

journal articles. 

Bio-Linux Bioinformatics Documentation

Categorised information about bioinformatics software on the Bio-Linux system can  be accessed  via the 
Bioinformatics Docs icon on the left hand side of your desktop. Software can be listed by name or by 
functional category. 

The information for each program includes an overview of what it does, with links to local documentation 
when available, as well as  links to information on the internet.

An apology – the Bioinformatics Docs are currently (in 2014) out-of-date and in severe need of

attention.  The plan is to integrate this catalogue with the ELIXIR tools registry but this work will

take many months to complete.

This notwithstanding, we highly recommend that you read the documentation for any programs

you intend to run. 

This is especially important for programs that use heuristic algorithms (methods involving some

level of approximation, such as BLAST), and those that output numerical results.

33


Exercise 2-1

Click on the Bio-Linux Documentation icon on the desktop, then on Bioinformatics Docs

Select a category under the Browse by Category section.

Click on the names of any of the programs that might interest you and view the information

in the resulting web page.

Return to the search form and click on the link to List all categories. This shows a view of 

all the documented software according to the functional category (or categories) they are listed 
in.

Please refer to the bioinformatics documentation throughout this tutorial to find out more about the 
programs introduced, or look on-line.  Most current software will have web pages and online resources
for users.  For example QIIME has a very active user community.

If you know of a good information resource for a program on Bio-Linux that is not mentioned in our 
bioinformatics documentation system, or you have any problems with the system, please let us know by 
emailing us at[6]

helpdesk@nebc.nerc.ac.uk

. 

Help Functions within the Programs

Documentation is available from within many programs. For example, many graphical programs have a Help
menu or button; many command line programs provide help if you type the name of the program followed 
by  –h–help or –help. Some programs even have their own manual pages that can be accessed by typing 
man followed by the program name.

Example data for this tutorial

The sequences referred to in this tutorial can be unpacked from the file

/

usr/local/bioinf/documentation/bio-linux/intro_course/bioinf_files.tar.gz.

If you have just done the associated Introduction to Linux tutorial, you will already have these files – please 
move on to the next section of the tutorial.

If you have joined the tutorial at this point, please refer to Exercise 1-1,  parts b, c and d to download and 
unpack the necessary sample data files.

For some parts you will also need qiime_tutorial_data.tar.gz,  mothur_tutorial_data.tar.gz  and 
assembly_taster.tar.xz which are available in the same directory.

34


Interface choices

Software can be run on the command line, via graphical programs on your computer, via web interfaces,  via 
web services and/or via scripts.  Bioinformatics programs can often be run using more than one of these 
options. Each type of interface has pros and cons. We have summarised some of these for reference below. 

Interface

Pros

Cons

Command line

Type out the command

and press enter

Fast to run once you know the program

Very flexible; usually many options

Repetitive tasks are easy to run or automate

Easy to log in remotely and carry out tasks

Have to learn the syntax

Have to find out what options are available

Prompted command

line

Type out the command

and respond to

prompts on screen

Easy to run; don’t have to remember the 
command line syntax

Easy to log in remotely and carry out tasks

Easy to forget the diversity of options for a 
program because of the temptation to just 
reply to prompts provided

Slower to get running than “pure” command 
line

Graphical interface

Start the program and

interact via menus 

Often more intuitive and visually pleasing 
than the command line

Extensive help is often available via a menu 
option or button

Some programs (not all!) can be run by 
clicking an icon in the Applications | 
Bioinformatics menu on your system.

Appropriate for visual tasks such as 
alignment editing, detailed annotation 
checking, etc.

Can be slower to use than the command line, 
especially for repetitive tasks

For some programs, the command line 
version provides more functionality.

You may need your system admin to set up 
programs so that you can run graphical 
programs when logging in remotely

Web interface

Run via a web browser

window, usually at a

remote site

Usually intuitive

Can provide functionality not available via 
locally-run programs such as access to 
important data resources or results presented 
in useful formats, e.g. including links to 
related data resources, graphics, etc.

Some websites allow a certain degree of 
“pipelining”, where the outputs of one 
program can  intuitively be supplied as input 
to another.

Can be slow to use relative to the command 
line, especially for repetitive tasks

You are subject to the rules and restrictions 
of the site you are working on (e.g. data 
volume, number of tasks, options available, 
etc.)

You may not want to send private data over 
the internet (e.g. if you are applying for a 
patent?)

You can be subject to the whims of network 
connectivity

35


Web services

Runs tasks over the

internet  from a

program, usually

locally installed or run

via java webstart. 

Can bring together the ease of a locally run 
program with the data and computing 
resources of a remote site

Can be used via graphical programs or scripts

You are dependent on network connectivity 

You are dependent on the consistency of the 
remote server where the functions you need 
are running

You are dependent on the functionality the 
remote site offers; this may not be as 
extensive as the functionality you get locally 
for some programs.

Scripts

Using a small

program that runs a

program or programs

for you

Very flexible 

Great for automating tasks

Great for carrying out customised tasks

Straightforward to learn enough to alter 
existing scripts to do exactly the task you 
want.

You have to write the script or find a script 
that does the job. This means learning a 
programming language (or asking someone 
who knows one to help you)

  

General points about working with bioinformatics programs

Sequence formats

A simple thing that often trips people up is sequence formats.  There are many different sequence formats; 
the reasons for this are both historical and functional.

Historically, when people first started writing analysis programs for molecular data, they designed a format 
that they felt suited their needs. As time went on, numerous formats came into existence. We live with the 
legacy of this. We must know what format our data is in, and whether the program we want to run can use 
data in that format.

Functionally, a program may require information that can be included with data held in certain formats, but 
not others. For example, EMBL format files can, in addition to the sequence data itself, contain descriptive 
information about a sequence, such as its features. In contrast, plain format contains nothing inside the file 
except the sequence data, while FASTA format allows a small amount of information about a sequence to be 
given in a header line and FASTQ adds read quality information alongside the sequence. Clustal and msf 
formats handle multiple aligned sequences, while  phylip and nexus format files contain aligned sequences as
well as information relevant to phylogenetic analysis programs.

36

For repetitive tasks, we highly recommend the use of the command line, workflow software and/or scripting.

To analyse data, it must be presented to the analysis program in a format the progam 

understands.

This seems obvious, but frequent errors (or worse, misleading results) occur when the data entered into 

a program is not appropriate. 


Converting files to different sequence formats used  to be a frequent, and often time consuming, task in 
bioinformatics. Luckily there are file conversion programs that take care of this easily for many formats. In 
addition, many program understand more than one format. 

Some common bioinformatics sequence formats, along with common filename conventions used for those 
formats,  are listed in the table that follows the next section. 

We recommend the following page for more information and examples of common bioinformatics file 
formats:

http://www.molecularevolution.org/resources/fileformats

File naming conventions in bioinformatics

The suffix, (the part of the filename after the final dot), is often used to denote to you, and other people, what
the format of the data inside the file is. 

For example, the common suffix for clustal formatted alignments is aln. .A bioinformatics file that ends in 
.aln is usually assumed to be a clustal formatted alignment file.  

Another multiple sequence alignment format is  phylip. A common suffix used on files containing sequences 
in phylip format is phy.  

Common suffices used for files containing data in particular formats are listed in the table following this 
section. We highly recommend that you follow conventions when naming your data files. 

Benefits to following the convention for filename endings include:

You will know your data format just by looking at the name of the file.

Following standard conventions, (rather than making up your own naming system), makes it 

easier for other people looking at your files, (e.g. collaborators, or people helping you); they will 
know the data format just by looking at the name.

Some graphical programs have filters set so that only files with particular suffices will be 

listed in the file browser window when you try to load some data. If you use conventional 
filename endings, this is less likely to cause problems for you.

Certain programs use information in the filename to interpret aspects of the data, (not just the data format). 
Such programs have strict naming conventions for the whole filename. For example, some sequence 
assembly programs either require, or are benefited by, defined naming schemes for sequence traces. The 
filename will inform them about which sequences are read pairs, what direction sequence reads are in, and 
other information relevant to assembly or visualisation. You will need to read the program documentation to 
find out what is required in such instances. 

37

You are not restricted to naming your files in any particular way but we highly recommend that you 

follow the convention for the type of file you are generating/saving.

Following file naming conventions from the beginning will save you, and your collaborators,

 a lot of time!


Common bioinformatics file formats

Format

Some common

filename endings

Comments

Embl or

swissprot

.dat
.embl
.sprot
.swiss

Usually these files, along with genbank files, contain feature information 
as well as sequence. 

Embl and Swisprot (or Uniprot) format are the same. Embl files contains 
nucleotide sequences and Uniprot files contain peptide sequences.

Files downloaded from EMBL or Uniprot websites use the suffix .dat. 
Often these are compressed with gzip, and so end in .dat.gz

Files generated by individuals in embl format will tend to end in .embl. 

Genbank

.seq
.gb
.genbank

These files, along with embl and swissprot files, usually contain feature 
information as well as sequence.

Individuals using this format, usually use the .gb or .genbank suffix. The 
NCBI usually uses .seq for genbank sections.

FASTA

.fasta
.fsa
.fa

Possibly the most common sequence format. 

It may contain nucleotide or peptide sequence(s) and a single-line header 
per sequence.

FASTQ

.fastq
.fq

Very common for NextGen reads.  Like FASTA with extra quality info 
per sequence.
Alternative extensions may indicate the type of sequencing technology 
- .fastqsanger, .fastqsolexa, etc.

Plain

.pln
.staden
.sdn

Not commonly used, as the file contents contain nothing but the sequence
itself; the only identifier of the sequence is in the filename.

Staden programs use the plain format, accounting for the last two of the 
file suffices given.

Clustal

.aln

Multiple sequence alignment format

Originally from the clustalw program, but now recognised by many 
programs that accept or output multiple sequence alignments.

Phylip

.phy
.phylip

Multiple sequence alignment format

Used by the Phylip suite of programs and many others, especially those 
associated with phylogenetic analysis.

Msf

.msf

Multiple sequence  alignment format

This was the standard output format from some of the suite of programs 
called GCG. The format is still sometimes used.

Other multiple alignment formats are more generally used and thus are 
often a better option to choose if you have a choice.

Nexus

.nxs
.nex

Multiple sequence  alignment format

Used by a number of phylogenetics programs. 

GFF

.gff

A format for describing genes and other features associated with DNA, 
RNA and Protein sequences. Not generally used as input for analyses.

38


Naming files and the danger of over-writing previous results

Many programs will suggest a name for your results file. Sometimes this name is generated by taking the 
beginning of the name of your input file, and adding a new suffix. However, sometimes it is just a generic 
name like prettyplot.ps or clustalw.aln. We encourage you to change generic names to something 
meaningful.

Apart from the fact that filenames like prettyplot.ps give you little idea what is in the file, if you do not 
change the name, the next time a file of the same name is generated, you will overwrite previous results.

A common problem: what is a text file and what is not

If you didn’t work through the section on text files in part 1 we suggest you do so now.  This part reiterates 
the key points.

Sequence data are usually stored in text or binary files. Text files contain data you can look at in a text editor.
Binary files are not human readable. The file formats referred to in the table above are all text formats. 
Examples of binary formats include ABI sequences and SFF sequence files.

Word documents may look like text, but they aren’t. The letters you see on the page of a Word document 
(or OpenOffice Write, or other word processing programs) are stored along with layout data in a binary 
format.

Most sequence analysis programs expect text. Plain old, nothing fancy, text.

It is an unusual situation to need to use sequence data that has been stored as a Word document (if it is not 
unusual to you, you are probably doing things the hard way!).  To get a text document when using Word, 
save it as text only

39

Rule of thumb

If you are using Word or any other word processing program at any stage your work with sequences, then it is 
very likely that your life could be made a lot easier. 

Please seek advice about other ways to handle your data. You will almost certainly save yourself time and 
frustration. Honest.


Exercise 2-2a

A useful Linux command to find out what type of file you are dealing with is file.  This does not 
look at the filename but interrogates the file contents directly.

In your bioinf_files directory is the file example.xls. Move into your bioinf_files directory 

if you are not already there and try running the command

file  example.xls

 In the bioinf_files directory is a file called testseq1.embl. Try running the command

file  testseq1.embl

GZipped files in bioinformatics

gzip is a simple compression program, which you met right at the start of this course when you unpacked a 
.tar.gz file.  Any file can be compressed with gzip and .fastq.gz is now particularly popular as it saves a lot of
disk space.  Some programs deal with .fastq.gz files directly, but for others you have to gunzip them first.  
You can unpack the file on disk or use pipe syntax to feed it directly to your application.  The zcat command 
prints out the uncompressed contents of a gzipped file, so something like 

  zcat some_file.fastq.gz | some_app -

will work in many situations.  Remember that the “–” by convention tells the application to process the data 
received via the pipe.  This way you never have to store the big uncompressed file on disk.

bzip2 and xz are similar compression programs.  The tools bunzip2/bzcat and unxz/xzcat  are provided to 
unpack these files from the command line, but if in doubt just click on the file in the File Browser.  The 
graphical File Roller application will know how to unpack these and more file types.

40


Examples of running bioinformatics programs on Bio-Linux

Analysing sequences with QIIME

QIIME (pronounced ‘chime’) is a pipeline for performing microbial community analysis that 
integrates many third party tools which have become standard in the field. QIIME can run on a 
laptop, a supercomputer, and systems in between such as multicore desktops. QIIME is now 
included in the standard Bio-Linux distribution. 

As an example, we will use data from a study of the response of mouse gut microbial communities 
to fasting (Crawford et al., 2009). To make this tutorial run quickly on a personal computer, we will 
use a subset of the data generated from 5 animals kept on the control ad libitum fed diet, and 4 
animals fasted for 24 hours before sacrifice. At the end of our tutorial, we will be able to compare 
the community structure of control vs. fasted animals. In particular, we will be able to compare 
taxonomic profiles for each sample type, differences in diversity metrics within the samples and 
between the groups, and perform comparative clustering analysis to look for overall differences in 
the samples.

To process our data, we will perform the following steps, each of which is described in more detail 
in the Data Analysis Steps:

Filter the sequence reads for quality and assign multiplexed reads to starting samples by 
nucleotide barcode.

Pick Operational Taxonomic Units (OTUs) based on sequence similarity within the reads, and 
pick a representative sequence from each OTU.

Assign the OTU to a taxonomic identity using reference databases.

Align the OTU sequences and create a phylogenetic tree.

Calculate diversity metrics for each sample and compare the types of communities, using the 
taxonomic and phylogenetic assignments.

Generate UPGMA and PCoA plots to visually depict the differences between the samples, and 
dynamically work with these graphs to generate publication quality figures.

 What follows is a streamlined version of the exemplary tutorial provided by QIIME (which can be 
found at[7]

http://qiime.sourceforge.net/tutorials/tutorial.html

). Further details and parameters on the 

below commands and many more can be found at this site.

The material was compiled and adapted by Daniel Pass, School of Biosciences, University of 
Cardiff, for Bio-Linux courses June 2011.  Editorialised for QIIME 1.6 by Tim Booth, NEBC.

QIIME allows analysis of high-throughput community sequencing data
J Gregory Caporaso, Justin Kuczynski, Jesse Stombaugh, Kyle Bittinger, Frederic D Bushman, 
Elizabeth K Costello, Noah Fierer, Antonio Gonzalez Pena, Julia K Goodrich, Jeffrey I Gordon, 
Gavin A Huttley, Scott T Kelley, Dan Knights, Jeremy E Koenig, Ruth E Ley, Catherine A Lozupone,
Daniel McDonald, Brian D Muegge, Meg Pirrung, Jens Reeder, Joel R Sevinsky, Peter J 
Turnbaugh, William A Walters, Jeremy Widmann, Tanya Yatsunenko, Jesse Zaneveld and Rob 
Knight; Nature Methods, 2010; doi:10.1038/nmeth.f.303

41


Note:  Commands to type are shown in grey boxes like this.  Some commands in QIIME are too 
long to print on one line, so where you see  , you need to continue typing the command on the 

same line.

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd

tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/qiime_tutorial_data.tar.gz

Entering the directory (cd qiime_tutorial_data) and listing the files (ls) will show what was 
extracted:

Sequences (.fna)

This is the 454-machine generated FASTA file. 

Quality Scores (.qual)

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Mapping File (Tab-delimited .txt)

The mapping file is generated by the user. This file contains all of the information about the 
samples necessary to perform the data analysis. At a minimum, the mapping file should 
contain the name of each sample, the barcode sequence used for each sample, the 
linker/primer sequence used to amplify the sample, and a Description column.

custom_parameters.txt

Structured file which can be customised to easily tune each analysis.

qiime_tutorial_commands_serial.sh

This is a script which will run all of the commands that we are about to see without user 
input.

Data

This directory contains the reference files required for alignment of the OTUs.

To begin working with QIIME, you must enter the QIIME shell by typing ‘qiime’ in your working 
directory. This has been successful if the prompt changes to end in ‘qiime >’.  The commands 
below will only be recognised within the special QIIME shell.

Assign Samples to Multiplex Reads

The first task is to assign the multiplex reads to samples based on their nucleotide barcode. Also, 
this step performs quality filtering based on the characteristics of each sequence, removing any low 
quality or ambiguous reads. The script for this step is split_libraries.py, but before running it we 
make a directory for all the output:

42


cd qiime_tutorial_data
pwd

#This should show we are in qiime_tutorial_data

mkdir out

#This makes a directory for the results to go in

split_libraries.py -m Fasting_Map.txt -f Fasting_Example.fna -q Fasting_Example.qual -o split_library

This invocation will create three files in the new directory split_library/:

split_library_log.txt

This file contains the summary of splitting, including the number of reads detected for each 
sample and a brief summary of any reads that were removed due to quality considerations.

histograms.txt 

This tab delimited file shows the number of reads at regular size intervals before and after 
splitting the library.

seqs.fna

This is a fasta formatted file where each sequence is renamed according to the sample it 
came from. The header line also contains the name of the read in the input fasta file and 
information on any barcode errors that were corrected.

Processing sequences into OTUs 

There are several steps to go through to produce the annotated OTUs from the input sequences, 
however the following 5 steps can be called using the ‘pick_de_novo_otus’ command found at the 
end of this section.

1. Pick OTUs
Using the seqs.fna file generated from split_libraries.py, the sequences are clustered into 
Operational Taxonomic Units (OTUs) based on their sequence similarity. This basic command uses 
the default parameters: uclust matching, 0.97 sequence similarity, no reverse strand matching.

pick_otus.py -i split_library/seqs.fna -o out/uclust_picked_otus

2. Pick representative
Since each OTU may be made up of many sequences, we will pick a representative sequence for 
that OTU for downstream analysis. This representative sequence will be used for taxonomic 
identification of the OTU and phylogenetic alignment. (options: random, longest, most_abundant, 
first)

mkdir out/rep_set

#This makes a subdirectory to store the representative set

pick_rep_set.py -i out/uclust_picked_otus/seqs_otus.txt  -f  split_library/seqs.fna 

-o out/rep_set/seqs_rep_set.fasta  –rep_set_picking_method most_abundant 

3.  Assign taxonomy
You can compare your OTUs against a reference database of your choosing. For our example, we 
will use the default RDP classification system assignment method which comes ready with QIIME, 
however BLAST is also an option.

assign_taxonomy.py -i out/rep_set/seqs_rep_set.fasta -o out/rdp_assigned_taxonomy

43


4.  Make OTU table
Tabulates the number of times an OTU is found in each sample, and adds the taxonomic predictions
for each OTU in the last column if a taxonomy file is supplied.

make_otu_table.py -i out/uclust_picked_otus/seqs_otus.txt  

-t out/rdp_assigned_taxonomy/seqs_rep_set_tax_assignments.txt  -o out/otu_table.biom

5. Align sequences 
Alignments can either be generated de novo using programs such as MUSCLE, or through 
assignment to an existing alignment with tools like PyNAST. For small studies such as this tutorial, 
either method is possible. However, for studies involving many sequences (roughly, more than 
1000), the de novo aligners are very slow and assignment with PyNAST is preferred.

align_seqs.py  -i out/rep_set/seqs_rep_set.fasta -o out/pynast_aligned_seqs 

–alignment_method  pynast  -t data/core_set_aligned.imputed.fasta

6. Filter alignment command 
Before building the tree, the alignment must be filtered to remove columns comprised only of gaps.

filter_alignment.py -i out/pynast_aligned_seqs/seqs_rep_set_aligned.fasta 

-o out/pynast_aligned_seqs  –lane_mask_fp data/lanemask_in_1s_and_0s

7. Build phylogenetic tree command 
Produces a newick formatted tree file (.tre) which can be viewed using most tree visualization tools.
Method options: clearcut, clustalw, raxml, fasttree_v1, fasttree(default), muscle

make_phylogeny.py  -i out/pynast_aligned_seqs/seqs_rep_set_aligned_pfiltered.fasta -o out/rep_set.tre 

The above commands are integral to QIIME and further downstream analysis. Once their function 
and process is understood, the parameters can be set in the custom_parameters.txt file and run 
sequentially using the workflow script:

pick_de_novo_otus.py -i split_library/seqs.fna -p custom_parameters.txt -o out 
# Make sure you change the path in the custom_parameters.txt file before running this command

Data to information

QIIME has many different ways to visualize and interrogate the data. Here we will explore just a 
few.

Note: To open a HTML file type: 

firefox filename

44


Heatmap
The QIIME pipeline includes a very useful utility to generate images of the OTU table. You can 
open this file with any web browser, and will be prompted to enter a value for “Filter by Counts per 
OTU”. Only OTUs with total counts at or above this threshold will be displayed. The OTU heatmap
displays raw OTU counts per sample, where the counts are coloured based on the contribution of 
each OTU to the total OTU count present in that sample.

make_otu_heatmap_html.py -i out/otu_table.biom -o out/otu_heatmap

Taxonomy Summary Charts
The taxa of the samples can be visualised at each taxonomic level (see the' –L flag). 
Here, summarize_taxa.py produces a text file at the Phylum level (Level 2=Domain, 3=Phylum, 
4=Class, 5=Order, 6=Family, 7=Genus) and plot_taxa_summary.py produces the html output. 

summarize_taxa.py -i out/otu_table.biom -o out/taxa_summary -L 3 

plot_taxa_summary.py  -i out/taxa_summary/otu_table_L3.txt -l Phylum -o out/taxa_charts -k white

Diversity

Community ecologists typically describe the microbial diversity within their study. This diversity 
can be assessed within a sample (alpha diversity) or between a collection of samples (beta 
diversity).

Alpha
Alpha diversity will be calculated and displayed though using this workflow. The full list of metrics 
available can be found at[8]

http://qiime.sourceforge.net/scripts/alpha_diversity_metrics.html

The 

html visualisation file can be found at ‘out/arare/alpha_rarefaction_plots/rarefaction_plots.html’ 

alpha_rarefaction.py -i out/otu_table.biom -m Fasting_Map.txt  -o out/arare  -p custom_parameters.txt  -t out/rep_set.tre

Beta
Beta diversity can be represented in many different ways, shown below. By rarefying the samples to
the smallest set (in this example dataset, 146 sequences) sample heterogeneity can be removed.
Firstly, 3d plots are generated using unifrac.

beta_diversity_through_plots.py -i out/otu_table.biom  -o out/bdiv_even146  -p custom_parameters.txt

-m Fasting_Map.txt  -t out/rep_set.tre -e 146

To view a 3d plot, navigate to the jar directory within the metric you wish to view 
(weighted/unweighted, continuous/discrete) and enter ‘java -jar jar/king.jar */*.kin’ where you can 
then view the output. The more traditional 2d plots are also generated by unifrac:

45


make_2d_plots.py -i out/bdiv_even146/unweighted_unifrac_pc.txt  -o out/bdiv_even146/unweighted_unifrac_2d

-m Fasting_Map.txt  -k white -p out/bdiv_even146/prefs.txt

These are easiest viewed through the html page: 
‘out/bdiv_even146/unweighted_unifrac_2d/unweighted_unifrac_pc_2D_PCoA_plots.html’

Inter-Sample Distance
Distance Histograms are a way to compare different categories and see which tend to have 
larger/smaller distances than others. 

make_distance_histograms.py -d out/bdiv_even146/unweighted_unifrac_dm.txt 

-m Fasting_Map.txt -o out/bdiv_even146/distance_histograms -p out/bdiv_even146/prefs.txt

The html is found at:
‘out/bdiv_even146/distance_histograms/unweighted_unifrac_dm_distance_histograms.html’

Jackknifing & UPGMA
To measure robustness of the sequencing effort, we perform a jackknifing analysis, wherein a small 
number of sequences are chosen at random from each sample, and the resulting UPGMA tree from 
this subset of data is compared with the tree representing the entire available data set. This produces
jackknifed weighted and unweighted 2d and 3d plots like above, and also jackknifed trees found in 
the out/jack/ directory.

jackknifed_beta_diversity.py -i out/otu_table.biom -o out/jack -p custom_parameters.txt

 -e 110 -t out/rep_set.tre -m Fasting_Map.txt

make_bootstrapped_tree.py -m out/jack/unweighted_unifrac/upgma_cmp/master_tree.tre -s

  

out/jack/unweighted_unifrac/upgma_cmp/jackknife_support.txt -o 

 

out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

evince out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

A key feature of the QIIME interface is the ability to list the steps which you wish to run and have 
them sequentially performed by running them as a standard shell script. In the file 
qiime_tutorial_commands_serial.sh in your working qiime directory, you will find the commands
which we have just gone through. This can be called directly from the QIIME shell prompt and will 
produce the same output as we have achieved, with no user input. This can be edited, along with 
custom_parameters.txt to tune the analyses to your specific requirements. 

What is described above is a brief introduction to the type of analyses which QIIME can perform. 
Extensive details of the commands, parameters and metrics used can be found at 

http://www.qiime.org/scripts

 or through typing a QIIME command followed by ‘-help’ into the 

qiime shell prompt. 

46


Analysing sequences with MOTHUR

MOTHUR is another popular pipeline for performing microbial community analysis that integrates 
many third party tools which have become standard in the field. MOTHUR is included in the 
standard Bio-Linux distribution. 

As an example, we will use the same data used in the previous QIIME tutorial. Please refer to the 
previous QIIME tutorial for the description of the experiment and the data.

What follows is an adapted version of the exemplary tutorial provided by MOTHUR (which can be 
found at[9]

http://www.mothur.org/wiki/Sogin_data_analysis

). Further details and parameters on the 

below commands and many more can be found at this site. The material was compiled and adapted 
by Soon Gweon, NBAF.

Introducing mothur: Open-source, platform-independent, community-supported software for 
describing and comparing microbial communities. Schloss, P.D., et al.,  Appl Environ Microbiol, 
2009. 75(23):7537-41 

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd
tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/mothur_tutorial_data.tar.gz
cd mothur_tutorial_data

Entering the directory (cd mothur_tutorial_data) and listing the files (ls) will show what was 
extracted:

Fasting_Example.fna

This is the 454-machine generated FASTA file. 

Fasting_Example.qual

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Fasting_Example.oligos

This is generated by the user. This file is used to provide barcodes and primers to 
MOTHUR.

data

This directory contains the reference files required for alignment of the OTUs.

To begin working with MOTHUR, you must enter the MOTHUR shell by typing ‘mothur’ in your 
working directory. This has been successful if the prompt changes to end in ‘mothur >’.  The 
commands below will only be recognised within the special MOTHUR shell.

47


mothur

Assign Samples to Multiplex Reads and Quality Filtering

First, we need to separate each sequence according to the barcode and primer combination. The first
task is to assign the multiplex reads to samples based on their nucleotide barcode using the 
information from oligos file. Also, this step screens sequences based on the quality file, truncating 
reads at where the quality score falls below the threshold. The script for this step is trim.seqs:

trim.seqs(fasta=Fasting_Example.fna, oligos=Fasting_Example.oligos, qfile=Fasting_Example.qual, qaverage=25, 
minlength=200, maxlength=1000) 

This creates five files in the current directory:

Fasting_Example.trim.fasta 

This is the processed fasta file.

Fasting_Example.trim.qual 

This is the precessed quality file.

Fasting_Example.scrap.fasta 

This file contains sequences which fell below the thresholds (below quality score of 25, 

shorter 

than 200 bps or longer than 1000 bps)

Fasting_Example.scrap.qual 

This is the quality file for the scrapped sequences.

Fasting_Example.groups

This is a two-column list with the first column indicating the sequence names of those 

sequences 

in the Fasting_Example.trim.fasta file and the second column the group that it came 

from.

Generating Alignment & Distance Matrix 

The first thing we want to do is to simplify the dataset by working with only the unique sequences.
We are not chucking anything here, we are just making the life of your CPU and RAM a bit easier.
We do this with the command: unique.seqs

unique.seqs(fasta=Fasting_Example.trim.fasta)

We then need to generate an alignment of our data using the align.seqs command by aligning it to 
SILVA-compatible alignment database reference alignment. Please note that this step can take 
awhile to complete.

align.seqs(fasta=Fasting_Example.trim.unique.fasta, reference=data/silva.bacteria.fasta, flip=T)

Next, we need to filter our alignment so that all of our sequences only overlap in the same region 
and remove any columns in the alignment that don’t contain data. We do this by running the 
filter.seqs command.

48


filter.seqs(fasta=Fasting_Example.trim.unique.align)

Next, we want to calculate the column-formatted distance matrix, but we are only interested in 
distances smaller than 0.15 at this stage. We will do this using dist.seqs command. 

dist.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, cutoff=0.15)

Classify Sequences

We then need to classify our sequences using the MOTHUR version of the “Bayesian” classifier. 
We do this with classify.seqs command using the SILVA-compatible reference file and taxonomy 
file(

http://www.mothur.org/wiki/Silva_reference_alignment

)

classify.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, name=Fasting_Example.trim.names, 
template=data/silva.bacteria.fasta, taxonomy=data/silva.bacteria.silva.tax)

Renaming Files

This step is done only to make our life easier by making copies of some files and giving it nice and 
short names. The command system() allows you to run programs outside of MOTHUR without 
leaving the MOTHUR shell.

system(cp Fasting_Example.trim.unique.filter.fasta final.fasta)
system(cp Fasting_Example.trim.names final.names)
system(cp Fasting_Example.groups final.groups)
system(cp Fasting_Example.trim.unique.filter.dist final.dist)
system(cp Fasting_Example.trim.unique.filter.silva.wang..taxonomy final.taxonomy)

Clustering Sequences

Now we want to assign these sequences to OTUs for every possible distance up to and including a 
distance of 0.15. By default, this method uses the average neighbour algorithm.

cluster(column=final.dist, name=final.names, cutoff=0.15)

Generating OTU Table and Normalisation

Now that we have a list file, we need to create a table that indicates the number of times an OTU 
shows up in each sample. This is called a shared file and can be created using the make.shared 
command. We are only interested in the distance of 0.03 from the list file, so we give 0.03 to “label”
parameter.

make.shared(list=final.an.list, group=final.groups, label=0.03)

We then normalise the number of sequences in each sample. In order to do this, we need to know 
how many sequences are in each step. You can do this with the count.groups command.

49


count.groups()

From the output we see that the sample with the fewest sequences had 146 sequences in it, so we 
normalise all the samples to this number of sequences.

sub.sample(shared=final.an.shared, size=146)

Classifying OTU

The last thing we’d like to do is to get the taxonomy information for each of our OTUs. To do this 
we will use the classify.otu command to give us the majority consensus taxonomy.

classify.otu(list=final.an.list, name=final.names, taxonomy=final.taxonomy)

Converting the shared file to BIOM-format

The make.biom command allows you to convert your shared file to a biom file. Please refer to 

http://biom-format.org/documentation/biom_format.html

for detail.

make.biom(shared=final.an.shared, contaxonomy=final.an.unique.cons.taxonomy)

Data to information

MOTHUR has many different ways to visualise and interrogate the data. Here we explore just a few.

Heatmap
Now we’d like to compare the membership and structure of the various samples using an OTU-
based approach. Let’s start by generating a heatmap of the relative abundance of each OTU across 
the 24 samples using the heatmap.bin command.

heatmap.bin(shared=final.an.shared)

The output will be in a SVG-formatted file called final.an.0.03.heatmap.bin.svg. In this heatmap, 
the red colors indicate communities that are more similar than those with black colors.

Venn Diagram
MOTHUR allows you to generate a Venn diagram with 'venn command. Let’s take a look at the 
Venn diagram for PC.354 and PC.355.

venn(shared=final.an.shared, groups=PC.354-PC.355)

This generates a file called final.an.0.03.sharedsobs.PC.354-PC.355.svg. To view the file, type the 
following in another terminal:

eog final.an.0.03.sharedsobs.PC.354-PC.355.svg

When generating Venn diagrams we are limited by the number of samples that we can analyze 
simultaneously. MOTHUR can generate up to 4-way Venn diagram:

50


venn(shared=final.an.shared, groups=PC.354-PC.355-PC.356-PC.481)

Finding and running useful scripts

Scripts are small programs written in a scripting language such as Perl or Python or even by compiling 
commands you’d run directly in the shell into a shell script file.  Unlike normal binary applications, the 
program files can be examined and edited directly using a text editor.  However, Linux is able to run these 
text files as if they were compiled programs by automatically invoking the appropriate interpreter named on 
the first line of the script – for example if the first line of a script says:

  1. !/usr/bin/perl

Then the script will be run using the Perl interpreter.  Writing scripts is beyond the scope of this course, but it
is useful to be able to run scripts that others have written.  

Exercise

http://nebc.nerc.ac.uk/tools/code-corner/scripts

Visit the above link, then find the “fastagrep” script located under 

Sequence Formatting and Other 

Text Manipulation

.  (If you don’t have a net connection there is also a copy in bioinf_files)

Make a folder called “scripts” in your home directory and save the file there.

In a terminal run the command chmod a+x scripts/fastagrep to tell Linux that this file is an 
executable script.

Type ~/scripts/fastagrep to actually run the script.  In this case you will see basic help.

Fastagrep is a script to help extracting sequences of interest form a multi-FASTA file by matching text in the 
header lines.  It is a FASTA-aware version of the standard Linux ’grep’ command introduced in part 1.  An 
example invocation of fastagrep in the case where the FASTA file has Uniprot-style headers would be:

~/scripts/fastagrep -F ’OS=Zea mays’ uniprot_sprot.fasta

Here, the -F flag specifies an exact text match and the ’OS=…’ syntax is specific to 
the headers used by Uniprot.

Tip: 

If you get a “permission denied” error when running the script, it normally means that you missed 
out the chmod a+x … part.

If you get a “bad interpreter” error it means that the interpreter named on the first line of the file 
cannot be found on the system.  You can always run the interpreter explicitly – eg. by typing perl 
scripts/fastagrep.

A practical exercise using fastagrep is included in the next section.

Aligning sequences using MUSCLE

Aligning multiple sequences is a very common task, as it is the first step to comparing related sequences.  
There are many algorithms for performing gapped global alignments over a set of sequences, most of which 
can be used on either nucleotide or peptide input.  Many web based tools offer to align sequences, for 
example[10]

http://uniprot.org

[11]can align sequences retrieved from a search on the reference database, and 

additional sequences can also be uploaded and added to the alignment.  GUI applications like ClustalX and 
Jalview can call alignment applications like Clustal, MUSCLE, and MAFFT for you and display the results 
graphically.  

Sometimes you may want to run the alignment directly from the command line – reasons for this include:

51


You want to fine tune the options passed to the aligner

You want to use an aligner program that is not supported by the GUI or website you are using

You want to run the alignment remotely – for example on a powerful departmental server

You want to run several alignments at once using a loop or a short script

Exercise

Plants contain many closely related genes in the cellulose synthase family.  Previous studies have examined
these in some model organisms, eg maize[ref below].  It might be useful to compare the cellulose synthase 
genes in another plant of interest, or to align bacterial homologues against the plant genes.

For use in this exercise, the file all_cellulose_synthase.fasta in the example files directory 
contains all the reference cellulose synthase genes from Uniprot (selected with the query 
“name:cellulose synthase”).

1. Ensure that you have the fastagrep script available from the previous exercise. 
2. Use fastagrep to extract all the sequences that come from oilseed rape (Brassica napus).
3. Modify your command so that instead of printing the matching sequences to the terminal 

the results are saved as a file.

Hint – this involves using the operator

4.  Now invoke MUSCLE with the default parameters to perform the alignment.  Use the 

following command but replace the ??? with the appropriate filename:

muscle -in ??? -out seqs.aln

5. Run the Jalview application from the bioinformatics menu.  Close the default project 

windows that appear, and select “Input Alignment -> from File”.  Now load seqs.aln
enable colouring in the Colour menu and bring up the overview window from the view 
menu.

Jalview has many options for viewing and editing the alignment, drawing trees, etc.

For comparing alignments, you may want to add the “-stable” flag to the muscle command in order to 
maintain the sequences in the same order as the input FASTA file.

[ref for paper mentioned above]
Holland et al. 2000. A comparative analysis of the plant cellulose synthase (CesA) gene family.
http://www.ncbi.nlm.nih.gov/sites/entrez?db=pubmed&cmd=search&term=10938350

52


BLAST

The Basic Local Alignment Search Tool (BLAST) searches for regions of local similarity between 
sequences. The program compares nucleotide or protein sequences or patterns to sequence, or sequence-
related, databases and calculates the statistical significance of matches.

The documentation here covers only the most commonly used BLAST implementation, BLAST+ from 
NCBI. There are several other BLAST varients that essentially do the same thing.  Some are commercial, for
example AB-BLAST from  Advanced Biocomputing LLC, formerly known as WU-BLAST.  There are also 
many other programs that search sequence databases and perform local alignments.  Before relying on 
BLAST as your search tool you should consider whether one of these might better suit your analysis needs.

A few examples of ways to run BLAST, on Bio-Linux or otherwise

Locally installed command line against locally installed BLAST databases

Locally installed command line against remote databases

Locally through options in graphical programs (e.g. under the Run menu in Artemis)

Remotely through ssh tunnelling or the remote BLAST options in Artemis. 

Remotely on websites such as those available at the NCBI and EBI

Remotely using webservices, either through programs such as Taverna, or through scripting

For this course, we assume that you are familiar with running BLAST searches using at least one web-based 
interface. If you are not, then this is a good time to look at the facilities offered  through one of these sites, 
and to try BLASTing some of the example sequences in the coruse folder:
  

NCBI:

http://blast.ncbi.nlm.nih.gov/Blast.cgi

  

EBI:

   

http://www.ebi.ac.uk/Tools/sss/

Bio-Linux includes both the BLAST+ package and the older NCBI “blastall” implementation.  Information 
and links in the Bio-Linux Bionformatics Documentation System (icon on your Desktop) provide 
information on both packages.   The ncbi-blast+ package contains a number of programs allowing you to 
carry out different types of searches, as well as to create databases, reformat reports, etc.

What this course covers

This course covers how to run BLAST+ programs via the command line and a few simple steps you can take
to work with more than one sequence at a time. We also cover how to install your own BLAST databases in 
Appendix C. We do not cover the internals of BLAST searching in any detail or how to interpret BLAST 
results. 

Why use BLAST on the command line?

The web resources available for BLAST are highly developed, usually stable, and have access to a much 
greater set of data than most people will have available locally. They also often provide lovely graphics and 
links out to other data resources or analysis programs. So why use the command line at all?

For small volumes of data, where you wish to search a commonly available database or subset of data 
available through a website, then web access is a very good option. Web-based utilities are also good for 
experimenting with parameters when determining useful settings for your investigation. The command line 
comes into its own for setting up searches quickly, for processing large volumes of data, for automating your 
searches, and for giving you the ability to get just the information you want returned from the BLAST 

53


searches. (This last point has been made easier than ever in the newer BLAST+ programs, where you can, to 
a certain extent, specify which information to return in a tab delimited format

1

.

General considerations for database searching

Database searching should be approached like an experiment. In particular: define your aims before your 
start. This will save you an enormous amount of time, both in terms of time taken doing searches and time 
taken bringing together and reporting your findings later.

Before you start searching with a sequence, it is useful to outline your answers to questions like:

What am I trying to find out/what do I want to do with the results?

What kind of database do I want to search with my sequence? E.g. nucleotide, protein, pattern, profile?

Which database(s) in particular do I want to search? Why?

Are there are any subsets of the database that I could or should restrict my search to?

Do I want to take into account potential frameshifts in my coding sequences?

What format is my sequence in?

Do I want to filter my sequence for repeats and low complexity regions before searching?

Is the scoring system I’ve chosen appropriate?

Where and how will I store a record of the parameters I’ve used and the database version I’ve searched 

with? 

A very, very brief introduction to BLAST+

BLAST+ includes programs to perform searches with different types of input against databases holding 
different types of data. Each search combination is referred to by a particular name and has its own 
command.  A table of the basic BLAST “flavours” and what they do is given below.

Blastall flavour

Input sequence type

Database sequence type

blastn

nucleotide

nucleotide

blastp

peptide

peptide

blastx

nucleotide (6 frame conceptual

translation is created during run)

peptide

tblastn

peptide

nucleotide (6 frame conceptual

translation is created during run)

tblastx

nucleotide (6 frame conceptual

translation is created during run)

nucleotide (6 frame conceptual

translation is created during run)

1 You can return most information you want using the tab delimited output options in BLAST+. However, a key thing 

missing is the Description field – usually the most interesting field for a biologist! To get this field, along with 
others, out of a BLAST report, it is still necessary to consider custom scripting – or grabbing someone else’s script 
that does the job!

54

We HIGHLY recommend you invest time learning about what BLAST does in detail, including how it works 

and what the statistics is produces mean. The “take the top hit” method will rarely serve your research well. 

We provide a list of references and helpful web pages in Appendix C that we hope will help you learn more 

about blast programs.


There are many other programs available as part of the BLAST+ release apart from the ones above. These 
include blastdbcmd, dustmasker, psiblast, rpsblast+, segmasker and srsearch.. These programs are not 
covered here, but are worth learning about for your own work.

How a BLAST database looks on the file system

A typical BLAST database consists of three files names with extensions .pin .phr and .psq for protein 
databases or .nin .nhr and .nsq for nucleotide databases.  These files represent a specially indexed version 
of a multi-fasta source file.  Do not try to examine the files in a regular text editor (they appear as garbage), 
and do not try to split the files apart.  When invoking BLAST commands, just give the path to the database 
without any extension (see examples).  BLAST will know to find and read the three files.

A simple blastp search

The following is a basic blastp command – you can run it from within the course folder.

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

The command is easy to understand when you break it down. It means:

run blastp, i.e. a peptide sequence will be used to search a peptide database. 

The database (-db) to be searched is called sprot and can be found in the blastdb directory.

The input sequence (-query) is cd4_cerae.fasta.

Only report results of sequences with e-values (-evalue) better than (i.e. lower than) 0.0001.

Put the results of this search in the file cd4_cerae.blastp, using standard shell redirection 
(>).

You can fine tune BLAST easily using additional command line options. We highly recommend that you 
read   about BLAST and determine appropriate settings for your research questions. This will ultimately save
you a huge amount of time and energy.

A copy of the Swissprot part of Uniprot, formatted for BLAST searches, is located in the directory blastdb
under your bioinf_files directory. We do not fully cover the use of makeblastdb in this course, but some 
more info is shown in Appendix C. For completeness, the steps we took, including the command we used to 
create the BLAST formatted Swissprot database, are as follows:

We downloaded the fasta formatted swissprot file from 

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/swissprot.gz  

into the blastdb directory under bioinf_files. 

We then used the makeblastdb command in a one-liner run within the blastdb/ directory.

gunzip -c swissprot.gz | makeblastdb -title Swissprot -out sprot -dbtype prot -in -

Note the use of a hyphen “-” in place of a filename tells the command to get the input via the pipe “|”.  This 
does not work in all cases but is a common convention in command line tools.

55

Reference databases for BLASTing would normally be stored in a shared location

You can either give the full or relative PATH to your blast databases within the blast command, or you can 
store  your  blast  databases  in  a  location  that  is  supplied  as  the  value  for  the  BLASTDB  environmental 
variable and just provide the database name in the blast command line. 

When loading reference BLAST databases onto Bio-Linux 6 you can can put them in the default BLASTDB 
location /home/db/blastdb OR change the environmental variable BLASTDB to a location appropriate for 
your work. If you do not have sudo access you will need to talk to the system administrator of the machine 
about this. Note that the default location for blast databases may be different on different machines, and may 
change on Bio-Linux in the future. 


For the purposes of this tutorial, we will give each BLAST command the explicit location of the BLAST 
database to search.

Exercise

Move into the bioinf_files directory if you are not already there. 

List the files in the blastdb subdirectory. The files called sprot.p* are the files that BLAST uses when 

it searches.

From within the bioinf_files directory, run the example command given previously, ie:

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

Look at the results file that has been created.

Try a blastx search on the file unknown.fasta.  This time set the evalue to 1 and save the results in 

unknown.blastx.  The command you use will start like this:

blastx -db blastdb/sprot -query unknown.fasta …???…

Recall that a blastx search translates a nucleotide sequence in six frames and searches a peptide database.

Look at the results file.

blastp expects a peptide query file, and blastx expects nucleotides.  What would you expect to happen

if you use an inappropriate BLAST flavour?  Try it and see.

Formatting BLAST output

You have now seen the default report format for BLAST searches. There are many options available using 
the -outfmt option with a numerical argument between 0 and 11. The default is -outfmt 0

The BLAST+ commands don’t (currently) have man pages, but to see a list of all the -outfmt options you 
can use the builtin help function:

blastx -help | less

Exercise

Run either of the above BLAST searches again, this time adding the parameter -outfmt 6 to the 

command. Make sure you change the name of the output file as well, or else just let the results get printed 
to the screen. 

Look at the results from this search and compare it to what was returned using default formatting. Is it 

easier or harder to read? Is there information present in one report that is not in the other? 

Note:''' BLAST+ programs offer finer control over the format and contents of results returned – see the help 
page as mentioned above.

56


Handling multiple sequences

BLAST makes it easy to deal with a medium-sized number of sequences at once – say up to a few hundred. 
For thousands of sequences, you will probably want to use the ideas introduced here, in conjunction with 
running your searches on a compute cluster and using scripts to pull out information of relevance from the 
result files.

The general principle of needing more sophisticated techniques as the data volume increases applies to pretty
much any bioinformatics task.

First we’ll look at BLASTing a file containing more than one sequence
In the next section we’ll process multiple sequences as input using a “foreach” loop

BLAST searching using fasta files containing more than one sequence

Exercise

Look at the contents of the file multiseqs.fasta in your bioinf_files directory. How many sequences 

are in this file? 

Run a blastx search using  multiseqs.fasta as the input file. 

blastx -db blastdb/sprot -query multiseqs.fasta -evalue 0.4 > multiseqs_1.blastx

Look at the results file to see how the results have been reported. How easy would this be to read and 

understand?  Could you load the results into other software tools? 

Try the above query again, but with the -outfmt 6 flag. 

Read about the -num_descriptions, -num_alignments and -max_target_seqs flags in the BLAST+ 

documentation. For very small studies, where you might read through the BLAST reports yourself rather 
than doing further processing on them using the computer, these flags may help you otherwise. 

Processing multiple files using a foreach loop

This section introduces a powerful shell feature that allows you to quickly automate repetitive tasks.  In this 
case we’ll use BLAST to illustrate the use of the loop, so you’ll need to look at the previous exercise before 
attempting this one.
A foreach loops say to the computer:

“For each thing in this list, do the following:”

So, when running multiple BLAST searches, you might want to do something like: 

“For each sequence in my list, run a blastx search against my Swissprot database.”

You can also create nested foreach loops. For example, if you had a list of sequences and a list of databases, 
you could use a nested foreach loop to get the computer to do something like this:

“For each sequence in my sequence list, run a blastx search against each database in my database list”

You can run a foreach loop on arbitrarily long lists.  However, for the exercises below, we will use just five 
sequences:

 testseq1.fastatestseq2.fastatestseq3.fastatestseq4.fasta and testseq5.fasta

57


The foreach loop explained step by step

You need to tell the computer the list of files to work on. Here, we will use a glob pattern match to indicate 
the list of sequences we want to work with.  Recall that echo simply prints its arguments and so can be used 
to show glob expansions:

echo testseq*.fasta 

or, if we wanted to be more specific: 

echo testseq[1-5].fasta 

We bind each file in the list to a loop variable within the first line of the foreach loop.  So the following says:
“take each file in this list in turn and refer to it as j”:

foreach j in testseq[1-5].fasta

When we finish, our complete foreach loop will state:

foreach j in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx
done

This means: for each sequence in the list in the first line, run the command in the second line. When all the 
sequences in the list have been dealt with, then finish. 

Loops are very powerful and useful, so it is worth understanding exactly how they work.  A more detailed 
explanation follows.

Explanation of the first line of a foreach loop:

we have used the command “foreach”.  It’s not the only way to write a loop but it is the most used.

the “j” is a name we choose to refer to “each thing” – more specifically, for each thing we get to in the 

list, let’s refer to it by the name j.  This is an arbitrary name. You can use whatever you want. So the 
following are equally correct to the line given above:

foreach myThing  in testseq[1-5].fasta 

calls each list item  in turn “myThing

foreach x in testseq[1-5].fasta 

calls each list item in turn “x

foreach seq  in testseq[1-5].fasta 

calls each list item in turn “seq

Once you have chosen a name for each thing in your list, you must use that name with a dollar symbol “$” to
refer to the list item in any commands that follow within the foreach loop. Recall how the $ construct also 
lets you access the contents of environment variables, like $BLASTDB.

58

Please note that the syntax used this section assumes that you are in the default Z­shell. If the

commands fails for you and you are sure that you have typed them in correctly, please check your shell.

You can identify your current shell by typing the command 

echo $0.  If you are not in the z­shell (zsh) 

already, just type 

zsh in your terminal window.

Other shells provide the same functionality as the foreach loop demonstrated here, but the syntax is different.


The keyword in is followed by a list of things to loop over.  In this case the list is being generated as the

result of a single glob pattern expansion, but this need not be the case.  You can list items explicitly, use 
multiple patterns, or even generate a list on-the-fly using backtick substitution (not covered in this tutorial).

The semicolon serves to terminate the list of items to be processed, and do primes the shell to accept 

one or more commands to be run within the loop.  The single command done terminates this list.

So the overall effect of that one line is: “foreach thing that matches the pattern testseq[1-5].fasta, do 

the following:”, and after that you just supply a regular command to run.  Note how we can reference $j as 
the input sequence and also use $j.blastx to generate a filename for the results – ie. the original name 
with .blastx appended.

Hint:  It is usually a good idea to check that the command or pattern used to create a list does actually 
generate the list you expect before including it within a foreach loop.  Once common trick is to add echo

on the start of the command within the loop, so the commands are printed to the screen but not run.

Exercise

Set up a foreach loop to run blastx searches using the five testseq*.fasta sequences with the Swissprot 
database:

Type this command to begin the foreach loop as described above:

foreach  j  in testseq[1-5].fasta ; do

You will now be seeing something like:

live@machine[bioinf_files] foreach j in  testseq[1-5].fasta ; do
foreach>

The foreach>  is a prompt, much like the regular prompt – it is here we tell the computer what we 

want it to do with each item in the list. To do this, type:

blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx

Recall that we defined each thing that we want to work on by the letter j in the first line of the 
foreach loop. In each subsequent line of the foreach loop, we refer to each thing by prefacing the j 
with a $ sign. 

Each $j in that command will be replaced by the name of a file from the list. 

So here, the blastall command is executed with each filename in turn, and output files are named 
using the sequence filename with .blastx appended.

You will now see another foreach> prompt, inviting a second command, but you are done so type

done

This indicates that there are no more processing steps to include in this foreach loop. 

After running the foreach loop successfully, type the command

ls  -l  *blastx  

59


You should now see that you have five blastx results files. Imagine you had 100 sequences to blast – you 
could set up a foreach loop and go get a coffee. (Of course, you still need to figure out how you’re going to 
use or analyse the results files if you’re working with large numbers of sequences.)

We mentioned above that the j in the foreach loop was an arbitrary name. As an example, if we had used seq 
instead of j, the foreach loop would have been written:

foreach seq  in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $seq  -evalue 0.01  -out $seq.blastx
done

Notice that we have just replaced each instance of $j with $seq.  Be careful, as the shell will not notice if 
your names do not match up, but will just substitute blank spaces into the command.

Exercise

Look through all the files called  testseq*.blastx by using the command less:

less  testseq*.blastx

To go to the next document, you need to type the two-character command  :n 

To quit, press  q

Why go to all this trouble when we could just create a multiple fasta file and run a BLAST search in one go?

Well, there is often more than one way to do a task, but foreach loops can be used with any programs – not 
just BLAST – and not all programs will take multiple inputs, so this method is widely applicable.

Multiple tasks, and even inner loops can be carried out in a single foreach loop, as the following 
example shows. 

60


Exercise – advanced looping

If you have time, you can run the following foreach loop. Try to figure out what it does before running it. 
You may need  to read the man pages for basename and cut to understand all the steps being taken.  Note,
the text has been indented for clarity but you need not type it like this. Also note the special quotes in the 
second line are backticks obtained with the key at the top left of the keyboard, next to number 1.  These 
serve to capture the output of the basename command into the newname variable, and later to drive an 
inner loop from a list contained in a file.  (Earlier, we said these wouldn’t be
covered in the course, but here’s a little taster.  Backticks are a powerful feature
for any aspiring command-line guru to master!)

foreach seq in  testseq[1-3].fasta ; do
  newname=`basename $seq  .fasta`
  mkdir $newname
  pushd $newname
  blastx -db ../blastdb/sprot  -query  ../$seq  -evalue 0.01 -outfmt 6  -out $newname.blastx
  cat $newname.blastx | cut  -f2  >  top5.list
  for hit in `cat top5.list` ; do

                 wget -q "

http://www.uniprot.org/uniprot/$hit.txt

"

               done

  popd
done

You can get the Z-shell to report what it is doing within loops and functions by running the command set 
-x.  To return to normal output type set +x.

Working with lots of BLAST results

Reading a few BLAST reports is fine, but when you have thousands, you presumably won’t be reading them 
one by one yourself. 
A common way to handle large volumes of BLAST results is to get the computer to process the report files, 
pulling out key information. You can try using the various -outfmt options, which give you a great deal of 
fine tuned control over what to report in tab delimited format. Alternatively, you can use a customised script. 
You might choose to load such extracted information into a database, or for small scale studies, into a 
spreadsheet. This topic is not covered further in this course, but we recommend BioPerl modules for parsing 
BLAST report files. Example BioPerl scripts for BLAST parsing can be found on your Bio-Linux machine 
under the following directory:

/usr/share/doc/bioperl/examples/searchio

61


EMBOSS Programs

EMBOSS is an extensive package of programs that cover areas of bioinformatics analysis including: 

Sequence alignment

Rapid database searching with sequence patterns

Protein motif identification, including domain analysis

Nucleotide sequence pattern analysis—for example to identify CpG islands or repeats

Codon usage analysis for small genomes

Rapid identification of sequence patterns in large scale sequence sets

Presentation tools for publication

We recommend that you refer to the official EMBOSS overview at 

http://emboss.sourceforge.net/what/#Overview

[12]to find out more about the extensive functionality available

via EMBOSS programs.
EMBOSS also consists of an underlying programming library, in case you are interested in building your 
own EMBOSS tools. 
 

Ways to  run EMBOSS programs:

Locally installed, via the jemboss graphical interface  on your Bio-Linux machine*

Locall installed via graphical interfaces available under the Applications | Bioinformatics | Emboss 

menu

Locally installed, via the command line on your Bio-Linux machine*

Remotely on websites such as Mobyl:[13]

http://mobyle.pasteur.fr

Remotely using webservices

Biological databases and EMBOSS on Bio-Linux
Certain EMBOSS programs can talk to local or remote biological databases. The version of EMBOSS 
installed on Bio-Linux machines is pre-configured to access data from embl, emblcds, uniprot (including 
swissprot and trembl) and Refseq from the EBI. Information about how to change this configuration can be 
found at 

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/emboss-applications-and-databases

Sequence formats and EMBOSS
EMBOSS programs accept most common sequence formats. EMBOSS also includes a versatile tool called 
seqret that can be used to convert between sequence formats should you need to do this for other 
bioinformatics programs.

62


A comparison of the Jemboss  and command line interfaces for EMBOSS programs

Interface

Pros

Cons

Jemboss 

Graphical

Interface

Easy to see the programs available and what
type of analysis they do

Easy to run

Many programs accept input files with 
multiple sequences, either directly or using 
lists of sequence or filenames.

Documentation is easy to access

Much slower to set programs running than 
on the command line

Not always obvious how to save and where 
to save output 

Additional programs with EMBOSS 
interfaces are not available via this 
interface. e.g. there are emboss interfaces 
for phylip and hmmer programs, among 
others, which are useful when creating 
pipelines and automating tasks.

Programs that are interfaces to others (e.g. 
emma is an EMBOSS interface to clustalw) 
may not always work smoothly via 
Jemboss, even though they are fine via the 
command line.

Command

Line

Prompted command line makes programs 
easy to run 

Programs accept input files with multiple 
sequences either directly or using lists of  
sequence or filenames.

Easy to automate tasks and create pipelines 
of tasks

Documentation still easy to access

Prompted command line makes it easy to 
overlook many of the options available

You have to read the documentation to find 
out about the options available

Working with EMBOSS programs

We will run a simple 3 stage task twice – once using Jemboss and once using the command line so that you 
can experience ,and get a feeling for the differences between, the two interfaces.   The task is to fetch a 
sequence file from the EMBL database, extract all the mRNA sequences from the feature table and search for
palindromes in those mRNA sequences. 

63


Exercise – using Jemboss

Start Jemboss on Bio-Linux by typing jemboss on the command line. It can also be started by clicking

on the icon under the  Applications | Bioinformatics menu.

Click on each of the categories (e.g. Alignment, Display, etc) to see what programs are listed.

When you’re finished exploring, click on the Data Retrieval category and choose coderet which is 

under Sequence Data.

Scroll to the bottom of the window and click on the 

 button to bring up a documentation window. 

Read about what coderet does.

Figure 1: The Jemboss graphical interface to EMBOSS programs

Figure 2The GO button is pressed when you are ready to run the program. The i button pops up a 
window with documentation. Some, but not all programs, will also have an Advanced Options button that

will bring up, often very useful, optional fields.

64


Exercise continued

Scroll back to the top of the coderet form in the Jemboss window, and fill in a Sequence Filename. In

fact, we want to pull a sequence directly from embl at the EBI. The sequence we want is from a plasmid 
and has the accession number U80928. To fetch it from the EBI, you need to type:

embl:U80928

  into the Sequence Filename box.

Enter a filename into the outfile file name box. For example, to distinguish from your later 

work, you could use the name: jemboss_bx.coderet.

Scroll to the bottom of the window and hit the GO button.

When the program has finished, a new window called Saved Results should appear. (Don’t be

fooled – your results haven’t been saved yet!) There should be a number of tabs in that window. 
One will be called the name you entered into the the  outfile file name box (e.g.  
jemboss_bx.coderet) The others will likely be called things like u80928.cds,  u80928.noncoding, 
etc.

Take a look at the type of information in each tab. In particular, take note that:

each of the tabs that contains sequence information contains multiple sequences

the command line you would use to run this program identically to how you just ran it via

Jemboss is provided to you under the cmd tab. This will be useful later.

To work with any of this data further, you have to save it to a local file. Click on the tab with 

the name ending in .cds. Choose the File | Save to Local File… option and save this to a location 
you can find again (e.g. under your bioinf_files directory). Give it a name that will distinguish it 
from later work -e.g.  jemboss_bx.cds. Do not close the Saved Results window as we want to 
refer to the information under the cmd tab later.

Go back to the main Jemboss window, go to the Nucleic | Repeats section and choose 

palindrome from the list of programs. 

Browse for the file you just saved using the Browse files… button next to the box under 

Sequence Filename near the top of the page. Note that you’ll have to set the Files of Type: option 
to All Files to find your saved file because it has a .cds suffix.

Check that you’re happy with all the required options, and give a filename in the outfile file 

name box. For example, jemboss_palin.txt. Then press the GO button. 

Scan through the results to see what has been returned to you.

You can also view listings of the files on your system using the Jemboss file manager functionality. Click on
the symbol  at the bottom right side of the Jemboss window. If you double click on the name of a file that 
contains text, it will pop up in another window for you to view or edit. Note: the file listings in the Jemboss 
window are not updated unless you refresh them manually -  the regular file browser or the ls command are a
better way to keep track of what files have been created or deleted.

Using the EMBOSS command line

All EMBOSS commands follow a similar pattern: 

If you just type the command name, then you are prompted for required information. 

65


If you type the command name followed by -opt then you are prompted for optional 

information as well as required information. 

If you type the command name, followed by a minimum amount of information, and -auto, the

program runs and uses defaults for anything you have not specified in the command.

The full command (i.e. the command and all relevant options and values) can be specified by 

including parameters and arguments on the command line.

The command name followed by -h or -help brings up information about the main options for 

the program. 

The command name followed by -h -v brings up information about all options for the program

Typing tfm followed by the command name brings up the full documentation for the program. 

So, using the EMBOSS program seqret as an example, we could run:

seqret

Run seqret and prompt for required information.

seqret -opt

Run seqret and prompt for required and optional information.

seqret -sequence embl:X03487

Run seqret, specifying the sequence. Prompts for additional 

information.
seqret -sequence embl:XO3487 -auto

Run seqret, specifying the sequence. Defaults are used for all other 

options.
seqret -help

Show information about the main options for seqret

seqret -h -v

Show information about all options for seqret

tfm seqret

Show full documentation for seqret

Much more information about the EMBOSS command line syntax is available at:

http://emboss.sourceforge.net/developers/acd/commandline.html

Exercise – using EMBOSS command line

Look at the cmd tab in your jemboss results window for coderet. You should see the following:

coderet  -seqall embl:U80928  -outfile jemboss_bx.coderet -auto

This command runs coderet, specifies the sequence to use and sets the output file name. The -auto option 
indicates that you do not want to be prompted for further information. This results in default values being 
used for all options you have not specified on the command line. 

Read about coderet by bringing up the information via the command line:

coderet -h  or  coderet -help

brings up a list of main options

coderet -h -v

brings up a list of all available options

tfm coderet

brings up the full documentation

66


(EMBOSS commands exercise continued)

To make things simple, we will edit the command line in the coderet cmd tab of the Saved Results 

window in Jemboss, and then copy and paste our final command line into a terminal to run the program. 

Go to the coderet cmd tab of the Saved Results window in Jemboss, and edit the command to give a
new output filename. e.g. 

coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

Open a new terminal window and cd to your bioinf_files directory. Make a new directory to store your

result files (as it will make it easier to see what files the program generates by default). 

mkdir cl_dir

Change directory into your new directory, copy and paste the coderet command line above into the 

terminal and press the return key.  (Recall that we covered highlighting and pasting text using mouse 
buttons near the end of the first half of this tutorial.)  ie:

cd cl_dir
coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

When the program finishes, list the files in your directory. What has coderet produced? How does this 

compare with the tabs presented to you when you ran coderet via Jemboss? 

You may notice that we have generated a lot of files we don’t need. We could have specified to coderet that
we only wanted the mRNA sections from the embl entry  BX255937. To find out how, you’ll need to refer 
to the coderet documentation (the lists of options won’t tell you enough).

Now run palindrome on the mRNA sequence. To do this, you could edit, copy and paste the the 

command in the Jemboss Saved Results window for palindrome, or you can type palindrome on the 
command line and answer the prompts. Please run palindrome now, doing one of these.

Once you get to know it, the command line is much faster to get running than programs via Jemboss. 
However, the power of using the EMBOSS command line is much greater if you need to process groups of 
files, or do things repetitively. 

Below we’ll go through an example of running an emboss program on a batch of files using a single 
command. 

If you want to run a job like this repetitively, you can save the commands in a text file and then set things up 
to get those command executed whenever you want (either by you directly, or by your

 

computer at a time 

you schedule). We do not cover this in these course notes, but please ask the demonstrator if you would like 
to know more about this.

67


Exercise

Fetching a list of sequences using seqret.

Look at the contents of the file hexaseqs.list in your bioinf_files directory. e.g. using the 

command less. You will see a list of sequence ids and the database those sequences are in. 

Quit less. (hit q)

We need to tell EMBOSS programs when they are going to work on a list of files rather than 

just a single file. To do this, we preface the filename with the @ symbol. So, to fetch the list of 
sequences in the hexaseqs.list file, we can use the command:

seqret  -sequence  @hexaseqs.list 

The default behaviour of seqret is to fetch sequences in fasta format, with all sequences in a
single file with a filename that uses the id of the first sequence. By now you should know 
how to go about finding out how to alter aspects of the program behaviour like these.

Take a look at the sequence file you have generated. 

You can use this same “list of sequences” syntax with Jemboss. e.g. you could run seqret via
Jemboss and specify the sequence name as @hexaseqs.list.

68

  General things to keep in mind

If you suspect there may be a more 

efficient way to do what you are doing, there probably is!

If you find yourself doing anything 

repetitively, there is probably an easier way to do it.

 

Please 

read documentation and seek advice. It will save you a lot of time in the end!


A very basic sequence assembly

This demonstration takes you through a very simple assembly of some reads from a mitochondrial genome. 
This is in no way supposed to be a tutorial on genome assembly, but rather a way to see various tools in 
action on a small dataset.
This section of the course was originally written as a separate tutorial by Dan Pass. Note that, in all the 
commands given in this tutorial, $ represents your terminal prompt.  This is a common convention, even 
though the real prompt will be something like “live@biolinux[live]”. Lines beginning with # are comments 
and not to be typed.

Setup

Open up the Bio-Linux Documentation icon in the Dash menu, then the Introductory Tutorial 
folder. You should see several tar files. Select assembly_taster.tar.xz and right click it. Select 
Extract To… from the pop-up menu. Extract to your home directory, which on the Live USB system
is listed as live in the list on the left.

Open a terminal, then change into the new directory and list the files:

$ cd assembly_taster

  1.  -lh options to ls show human-readable file size

$ ls -lh

To get a quick look at the input data, you can view it in the less text file viewer:

$ less mt_reads.fastq

  1.  as usual, press q to return to the terminal.

Make a new directory to store your results:

$ mkdir results 

Quality Checking

Firstly, in receiving a set of sequence data it is paramount to assess the quality of the dataset. A useful tool is
FastQC which gives a quick graphical overview of the dataset.

Run FastQC on the dataset

$ fastqc -o results mt_reads.fastq

Open the HTML report file. 

  1.  The ampersand (&) will put the process in the background so you can still use the terminal

$ firefox results/mt_reads_fastqc/fastqc_report.html &

Split Barcodes

The sequencing data may be barcoded, depending on the experimental set up. Here, two mitochondria have 
been sequenced together, with differing 10bp barcodes at the 5’ end. This allows us to split the data into two 
sets whilst only performing one sequencing run. Here we use a standard script from the fastx toolkit 
(

http://hannonlab.cshl.edu/fastx_toolkit/index.html

)

69


Use fastx splitter splits mt_reads.fastq by barcode. 

  1.  –bol indicates that the barcodes are at the 5’ end.
  2.  Note the following command should be typed on a single line:

$ fastx_barcode_splitter.pl <mt_reads.fastq –bcfile mt_barcodes.txt

–bol –suffix .fastq –prefix results/

There are now two .fastq files in the results directory; one for each barcode. There is also an unmatched.fasta
file which should be empty. We will be focusing on the first mitochondrion, ie. the one now in 
results/mt1.fastq.

Clean Up

To remove artefacts and improve the assembly we will do two steps:

1) Trim barcodes
This removes the barcode sequences from the beginning of each read. The -Q33 is required due to 
differences in sanger and illumina encoding.

$ cd results
$ fastx_trimmer -i mt1.fastq -f 8 -o trimmed_mt1.fastq -Q33

2) Quality Filter

Removing

 low quality sequences increases the accuracy of the assembly. 

Here

 we remove any sequences which do not have >25 phred quality score (-q) at 80% of bases (-p). (n.b. 

https://en.wikipedia.org/wiki/Phred_quality_score

)

Run the quality filter

  1.  -v instructs the script to give ‘verbose’ output and it is common to find in similar scripts.

$ fastq_quality_filter -i trimmed_mt1.fastq -q 25 -p 80 

-o qual_trim_mt1.fastq -Q33 -v

Note that you could have run both the previous commands in one shot, combined as a pipeline.

$ fastx_trimmer -i mt2.fastq -f 8 -Q33 | 

fastq_quality_filter -q 25 -p 80 -Q33 -o qual_trim_mt2.fastq

70


Assembly With Velvet

Velvet (

https://www.ebi.ac.uk/~zerbino/velvet/

) is a highly popular short-read assembler which is available

on Bio-Linux. There are countless parameters and combinations to achieve the best assembly, but we will 

run close to default here. We will assess the quality of the assemblies in the next step.

Run velvet in single-end mode with k=21

k’ signifies the Kmer length i.e. the length of sub sequences that the data is being broken up into, and is

one   of   the   most   important   parameters   to   manipulate.   Full   parameters   can   be   seen   by   typing   either
command with no flags.

  1.  You should still be in the results directory at this point
  2.  velveth is a ‘hash program’ which breaks down your data into Kmer sized sequences

$ velveth velvet_k21 21 -short -fastq qual_trim_mt1.fastq

  1.  velvetg performs de Bruijn graph construction, error removal and  repeat resolution

$ velvetg velvet_k21 -read_trkg yes -amos_file yes

Inspect the results in the Tablet graphical viewer (not ideal - we have 139 contigs):

$ tablet velvet_k21/velvet_asm.afg &

Quick ‘cheat’
VelvetOptimiser is a script which automatically tries multiple parameter combinations and returns the best 
assembly it can find. It can be helpful in pointing you in the right direction.

Try using velvetoptimiser

$ velvetoptimiser -s 27 -e 31 -f ‘-short -fastq qual_trim_mt1.fastq’ -a 1
$ tablet auto_data_31/velvet_asm.afg &

Assembly With Abyss

Abyss (

http://www.bcgsc.ca/platform/bioinfo/software/abyss

) is another popular assembler which we will 

run to give a comparison. Again, multitudes of parameters are available, but here we will run mostly with 
default settings, just optimising the K-mer length.
A major benefit of working in a command-line environment is the ability to loop easily through multiple 
values. Without an existing ‘optimiser’ type program, a shell loop can be used to try many values.

71


Run abyss in single-end mode with k=21

$ abyss -k21 qual_trim_mt1.fastq -o abyss_contigs.fa

Try abyss with multiple kmer values

  1. Type the first line and press return.  The prompt will change to “for>”

$ for k in {15..20}
for> abyss -k$k qual_trim_mt1.fastq -o abyss_k$k.fa

  1. This will run abyss for all values of k between 15 and 20, and 
  2. produce output for each permutation.

Assessing The Assemblies

We used tablet to view the output from Velvet assemblies. This isn’t possible with the Abyss output as the 
program does not provide a full assembly, just the consensus contigs. We can obtain some simple statistics 
on all the assembly results on the command line.
For example, the gnx-tools command will output basic statistics on the multi-fasta file produced by the 
assembler.

Compare assemblies with gnx-tools

$ for f in velvet_k21/contigs.fa auto_data_31/contigs.fa abyss_contigs.fa
for> gnx-tools $f

Adding Some Annotation

If sequence assembly is a tricky process to master then sequence annotation is a bona fide black art. There 
are various approaches that one can use and several pipelines available that will help.  But in this case, we 
just want to get something to look at in Artemis. We’ll quickly scan the assembled genome for likely open 
reading frames. We’ll use the Abyss output as this has (hopefully!) produced a single contig.

Glimmer3 (

http://ccb.jhu.edu/software/glimmer/index.shtml

) is an application for predicting open reading 

frames in prokaryotic genomes. As with the assemblers above, it should generally be tuned for the specific 
organism that you are working with and also provided with an appropriate training data set. But in this case 
we will just run it quickly with the default options (don’t do this if you want actual meaningful results).
A Perl script is provided to convert the output from Glimmer into something that Artemis can view. You 
don’t need to be a Perl programmer to re-use useful scripts like this.

$ g3-from-scratch abyss_contigs.fa glimmer
$ perl ../glimmer_to_gbk.perl <glimmer.predict >glimmer.gbk
$ artemis abyss_contigs.fa &

You should now be looking at a view of the contig in Artemis. From the File menu select Read An Entry… and 
choose the file glimmer.gbk.

To conclude this section, load the file human_mitochondrial.gbk into Artemis for comparison. This is not 
exectly the same as the mitochondrial data you’ve just assembled (which is from Lumbricus rubellus) but it is 
fully annotated. Annotation will have been achieved using a combination of automated tools and manual editing 
in Artemis. You can find more on Artemis, and on how to identify genes using BLAST, in the next section.

72


Artemis

Artemis is a DNA sequence viewer and annotation tool, allowing visualisation of sequence features and the 
results of analyses within the context of the sequence and its six-frame translation. Artemis can read embl or 
genbank format files. Sequences can be loaded from local files or via the network from the EBI.

Ways to  run Artemis:

from a locally installed version on your Bio-Linux machine*

via Java Web Start from the Sanger Centre 

(

http://www.sanger.ac.uk/resources/software/artemis/java/artemis.jnlp

)

73

Figure 16: Artemis Entry window after hsy14768.embl is loaded.


Exercise

Start Artemis on Bio-Linux by typing '''artemis on the command line or by choosing the 

option '''Artemis from under the Bioinformatics Applications graphical menu.

Now choose the option Open… from under the Artemis File menu, and select the 

file hsy14768.embl from within the bioinf_files directory.

This should open up a large window, as shown in Figure 14, where this sequence is displayed

graphically .

Open a terminal window and view the text of the embl entry using the command  

less hsy14768.embl

Notice how Artemis is providing a graphical representation of what is in the text file.

Try choosing Mark Open Reading Frames from under the Create menu of 

Artemis.

Choose to mark open reading frames with a minimum size of 200. 

You should now see two boxes near the top in the Entry section, the first called hsy14768.embl

and the other called ORFS_200+.

Uncheck the box next to hsy14768.embl. You should now be able to scroll along the 

window horizontally and easily see the open reading frames you marked. 

Check the box next to hsy14768.embl again. Look at the information in the bottom

frame of the window. Notice how it is related to the images in the frames above.

Try clicking on some of the lines in the bottom frame and seeing what happens in the 

images in the other two frames.

Explore the options available to you. (Not all options will be functional by default. See the

information about the Run menu below)

Close the Artemis Entry Editing window using File | Close.

You can also load up files direct from the EBI. If you want to try this, then choose  File | 

Open from the EBI – Dbfetch… option in the original small Artemis window and enter the 
accession number BX255937

When you are done, close Artemis by choosing File | Close in the sequence entry 

window and then choosing File | Quit in the main (small) Artemis window.

You can run various programs on your sequence, or parts of your sequence, from under the Run menu in 
Artemis. Some of the options in this menu need to be configured to be appropriate for your site. There is 
information on how to do this on our website at:

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/faq#blast_art

If you are not the system administrator of your Bio-Linux machine, then you will probably need to liaise 
with the person who is to get this set up properly.

74

We also highly recommend Artemis’ sister program Act, which can be used to graphically view a pairwise 

BLAST betrween two or more sequences. 


Appendix A – BLAST references and documentation

Web pages

The blastall and blast+ page in your Bio-Linux Bioinformatics Docs provides links to local web pages with 
information about NCBI BLAST programs. You can also access this remotely at the URL:

[http://nebc.nox.ac.uk/bioinformatics/docs/blastall.html http://nebc.nerc.ac.uk/bioinformatics/docs/blastall.html
http://nebc.nerc.ac.uk/bioinformatics/docs/blast+.html]

NCBI BLAST Manual pages

[http://www.ncbi.nlm.nih.gov/books/NBK1763/ http://www.ncbi.nlm.nih.gov/books/NBK1763/
]http://www.ncbi.nlm.nih.gov/blast/blast_help.shtml

NCBI BLAST Web Interface paper

http://nar.oxfordjournals.org/cgi/content/full/36/suppl_2/W5

Sequence similarity statistics

http://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html

NEBC BLAST Frequently asked questions

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/blastfaq

NEBC November 2007 Masters Bioinformatics Course (covers older blastall, rather than BLAST+)

[http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-msc.-biology-2007 http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-
msc.-biology-2007]

References

The book by Ian Korf is a good place to start in learning about what BLAST can do, how it does it and what BLAST output means. It 
is now out of date however, and should be read in conjunction with the new blast+ documentation. Also note that wu-blast is now 
AB-blast, which is licensed software from Advanced Biocomputing LLC. 

S. F. Altschul, T. L. Madden, A. A. Schaffer, J. Zhang, Z. Zhang, W. Miller, and D. J. Lipman. 
Gapped blast and psi-blast: a new generation of protein database search programs. 
Nucleic Acids Res, 25(17):3389–402, 1997.
Lm05110/lm/nlm Journal Article Research Support, U.S. Gov’t, P.H.S. Review England.

S. F. Altschul, J. C. Wootton, E. M. Gertz, R. Agarwala, A. Morgulis, A. A. Schaffer, and Y. K. Yu. 
Protein database searches using compositionally adjusted substitution matrices. 
Febs J, 272(20):5101–9, 2005. Z01 lm000072-10/lm/nlm Journal Article Review England.

C. Camacho, G. Coulouris, V. Avagyan, M.N. Papadopoulos, K. Bealer and T.L. Madden. 
Blast+: architecture and applciations. BMC Bioinformatics, 10: 421, 2009 

S. R. Eddy. Where did the blosum62 alignment score matrix come from? 
Nat Biotechnol, 22(8):1035–6, 2004. Evaluation Studies Journal Article Review United States.

Ian Korf, Mark Yandell, Joseph Bedell, and Stephen Altschul. 
BLAST.  [“An essential guide to the Basic Local Alignment Search Tool”. Includes bibliographical references and index.]
O’Reilly, Sebastopol, Calif. ; Farnham, 2003. GB A3-Y7706  ill. ; 24 cm. 

A. A. Schaffer, L. Aravind, T. L. Madden, S. Shavirin, J. L. Spouge, Y. I. Wolf, E. V. Koonin, and S. F. Altschul. 
Improving the accuracy of psi-blast protein database searches with composition-based statistics and other refinements.
Nucleic Acids Res, 29(14):2994–3005, 2001. Journal Article Review England.

Y. K. Yu, E. M. Gertz, R. Agarwala, A. A. Schaffer, and S. F. Altschul. 
Retrieval accuracy, statistical significance and compositional similarity in protein sequence database searches. Nucleic Acids Res, 
34(20):5966–73, 2006. Evaluation Studies Journal Article Research Support, N.I.H., Intramural England.

75


Appendix B – Creating local BLAST databases

Obtaining local BLAST databases

To get the most from BLAST, you should search against a relevant database, which may mean using the 
relevant parts of a larger database. In general, BLAST searching against the whole of nr or the whole of embl
is not a particularly good idea. It takes up your time and computer resources, returns BLAST results with less
useful statistics and often less meaningful results. For example, if you are studying marine viruses, do you 
really care about all the mouse sequence in nr or embl?

Web resources often offer different data subsets you can search against. For example, using the NCBI 
BLAST pages, you can choose from a certain number of database sections, or you can fine tune the sequence
set you blast against using Entrez queries: 

http://blast.ncbi.nlm.nih.gov/Blast.cgi?CMD=Web&PAGE_TYPE=BlastDocs&DOC_TYPE=FAQ#entrez

http://www.ncbi.nlm.nih.gov/bookshelf/br.fcgi?book=helpentrez&part=EntrezHelp

Using the EBI BLAST services, you can choose from a number of data subsets, as well as having a choice of
WU-blast or NCBI blastall. 

http://www.ebi.ac.uk/Tools/blast/

To run BLAST locally, you need to index your collection of sequences; it is these indices that BLAST reads 
when searching. For some databases or database divisions, you can download prepared BLAST indices from 
sites such as the NCBI. These are convenient, but do restrict you to searching against particular sets of 
sequences. It is often useful to create a set of sequences chosen for the types of searches you wish to carry 
out (e.g. organism or tissue specific) and format them into a database you can search using BLAST.

Any set of fasta sequences can be indexed for BLAST searching. Creating useful sets of sequences is beyond
the scope of this course, but two resources to consider are SRS (

http://srs.ebi.ac.uk

) and Entrez 

(

http://www.ncbi.nlm.nih.gov/books/bookres.fcgi/helpentrez/EntrezHelp.pdf

)

For NCBI blastall, the formatdb command is run on fasta formatted files to create BLAST indices. 
For BLAST+, the program used is called makeblastdb, and this is the you want to use, though BLAST+ will 
happily search databases made with formatdb.

Some data resources useful for local BLAST 

URL

Database File 

format

Contents

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/

uniprot

fasta

Uniprot, swissprot and 
trembl

[ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/ ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_rele
ase/knowledgebase/taxonomic_divisions/]

uniprot

embl

Uniprot divisions

[ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblrelease/ ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblreleas
e/]

embl

fasta

Individual embl divisions

ftp://ftp.ebi.ac.uk/pub/databases/embl/release/

embl

embl

Individual embl divisions

[ftp://ftp.ncbi.nlm.nih.gov/blast/db/ ftp://ftp.ncbi.nlm.nih.gov/blast/db/
ftp://ftp.ebi.ac.uk/pub/blast/db/]

various

blast

nr, nt, env and a few other 
BLAST formatted databases 
or database sections.

ftp://ftp.ncbi.nlm.nih.gov/genbank

genbank

genbank 

Individual genbank divisions

76


One thing to note in the table above is that uniprot divisions are provided in embl format. However, BLAST 
indices are created from fasta format files. Unfortunately, the EMBOSS program seqret, which you saw 
earlier, does not handle entire database divisions well. Instead, you can use a simple script to do the 
conversion. Instructions on this are below.

If you choose to use pre-formatted BLAST databases, make sure you read the notes about them (usually 
available as a file called something like REAMDE on the FTP site you get the BLAST files from) as they 
can be slightly different than the database that results from downloading and formatting your own. 

Building BLAST indices from local sequence files

We will use the uniprot  swissprot virus division as an example here. As this is distributed in embl format, 
and we need it in fasta format, we include a format conversion step in the instructions below.

Bio-Linux machines by default have the BLASTDB environmental variable set to a central location. To find 
out where it is set to on your machine, you can use the command:

echo $BLASTDB

If you are logged in as an administrative user, then you will be able to download and work in any area on the 
machine using your sudo privileges. If you are on a multi-user system and are not an administrative user, the 
default location for BLAST databases may not be writable by you. In this case, you should talk to your 
system administrator: either to ask them to give you privileges in the central BLAST database folder, or warn
them that you are about to use lots of space in your account for BLAST databases. 

These instructions assume that you are working from the directory where you will be storing your BLAST 
database files. This is not normally the case. Usually, if you download BLAST databases into your account, 
it is easiest to set the BLASTDB environmental variable to the location of these BLAST databases, and then 
work from a convenient folder where you plan to store your results. You can set the BLASTDB 
environmental variable for a single session by typing a line of the form below in the terminal you are 
working in. To set this variable for every session, you can add the line to your ~/.zshrc file. 

export  BLASTDB=”$HOME/blastdb”

Download the database section of interest. Here we will work with the uniprot swissprot virus division:

wget

ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/uniprot_sprot_viruses.dat.gz

77

Understand your databases

It is important to read the documentation about the databases you choose to work with. 
For example, uniprot and nr are not the same. nt is not a non-redundant database; nr is.

 

Knowing what is in a database you work with is vital in understanding your results. 

Nucleic Acids Research publishes a database issue in January of each year. 

This is an excellent resource for finding out more about available database resources. 

Another useful resource is the information available via the links on the Library page of SRS at the EBI:

http://srs.ebi.ac.uk/srsbin/cgi-bin/wgetz?-page+top


If you don’t already have a sequence conversion tool, download the emblToFastaAndPreProcess.pl 

script from the NEBC site. 

wget http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFastaAndPreProcess.pl

This script converts embl sequence to fasta sequence. Due to issues that sometimes appear because of the 
formatting of information in the feature table, it does so by removing the feature lines from the entry before 
conversion. A version of the script that does not pre-edit the feature lines is also available: 
http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFasta.pl 

Make this script executable.

chmod u+x emblToFastaAndPreProcess.pl

This script can handle compressed files, so you can create a fasta formatted copy of the 

uniprot_sprot_viruses division by running the command:

./emblToFastaAndPreProcess.pl  uniprot_sprot_viruses.dat.gz

Notice the ./ at the start of the line. You need this if you are running the script from the directory you are in. 
There are better ways to do this if you plan to keep this script for use again, but they are not covered here. 

When the script is finished, you should find a file called  uniprot_sprot_viruses.fasta in your directory. 

This is the file we build the BLAST database from. 

makeblastdb -dbtype prot -in  uniprot_sprot_viruses.fasta  -out sprot_virus

You should now have four new files in your directory:  sprot_virus.psq, sprot_virus.pin, sprot_virus.phr

and formatdb.log. The last of these lets you know how the BLAST formatting went. 

The sprot_virus.p*  files are your BLAST indices. You search against them by specifying the BLAST 
database name sprot_virus

Note:

If you were interested in the swissprot virus division, you would probably be interested in the trembl virus 
division also. You could download and format that division as described above, and then search the swissprot
and trembl virus divisions separately, or as a single, virtual database. Alternatively, you could create a single 
BLAST formatted database from the two fasta files using cat and makeblastdb:

cat uniprot_sprot_viruses.fasta uniprot_trembl_viruses.fasta | 

makeblastdb -in - -out uniprot_viruses -dbtype prot -title “combined sprot and trembl virus divisions”

What is the best division to search against depends on what you need to accomplish. 

78


Appendix C - Cheat sheet of basic Linux commands

bg

To send a suspended job to the background

cat fileName1

Output a file to the screen (see also more and less)

cat file1 file2 file3 > newfile

Append three files together and put the result in newfile

cat -nA file1

Output a file to screen, numbering all lines and revealing non-
printing characters

cd dirName

Change to directory dirName.  Use cd .. to go up one dir or just 
cd to go home.

chmod 

To change the permissions or protection on a file, to allow 
everyone to read a file (chmod a+r somefile)

clear 

clear the terminal screen

cp fileName1 fileName2 

create a copy of the file called fileName1 and call the copy 
fileName2

cp fileName directoryName

copy the file fileName into a directory called directoryName

cp –R dirName1 dirName2

copy a whole directory called dirName1 and its contents into 
another directory called dirName2. 

date

Print the current date and time

df –h

File system information including space usage

diff file1 file2

Summarise differences between two similar text files file1 and 
file 2.  See also the graphical tool, meld

echo $NAME

Print the value of an environment variable called $NAME

emacs

A text editor, more powerful than gedit, but more complex.

evince 

A command for viewing postscript or PDF formatted files

exit 

Exit the current terminal

export NAME=value

Set the environment variable $NAME to “value”

fg 

Brings a suspended or background job to the foreground

file fileName

Tries to determine what fileName is by looking at the contents

find -name “test*”

Scans for filenames matching a given glob pattern in the current 
folder and subfolders.  This command is tricky to use.  To scan 
the whole system for files, try locate.

gedit

The standard text editor

grep

Search for the occurrence of a pattern

groups or id

Show what groups a user is in.

head fileName

Show just the first few lines of fileName

history 

List log of previous commands you have entered

jobs 

Lists any suspended or background processes that you have 
running. See also ps and pgrep

kill pid

Kill a process that is running where pid is the process id number 
(see ps).  Also consider pgrep and pkill.

last

Info about who has logged onto the machine recently

79


less

Type a file to the screen one page at a time (press q to quit, 
spacebar for next page, b to go back a page)

ls

List the files in your directory

ls –l

List the files in your directory but with “longer” information.  
(Add -h for more readable file sizes)

man command

For help about UNIX command “command”

man -k keyword

Lists all UNIX commands that mention the word “keyword”

mkdir dirName 

Make a directory

more fileName

Type a file to the screen a page at a time (press q to quit, spacebar 
for next page).

mv file1 dirName

Assuming dirName is an existing directory, move a file called file1
into a directory called dirName

mv file1 file2

Rename file1 and call it file2

nano

A basic text editor that runs in the terminal

passwd 

Change your password

pgrep pattern

Find process names that contain the pattern. See also ps

pkill processname

Kill a running process using the process name. Be careful with 
this! See also pspgrep and kill

pwd

Print the full path of your current directory

ps –u

List your current processes

ps –aux

List all processes on the machine. See also top

rm fileName 

Delete a file

rm –rf dirName

Delete a directory and all its contents

rmdir

Delete an empty directory

screen

Run the screen manager (read the man page first!)

stat fileName

Show detailed info on fileName, similar to ls -l

tail

Show just the last few lines of a file.  See also head.

tar -xvz -f fileName.tar.gz

Unpack a tarball from the file fileName.tar.gz

someCommand '''| tee fileName

Save output of someCommand to fileName and also print to 
screen.  Use instead of >fileName if you want to redirect but still 
see the output.

top

List the processes running that are using the most CPU

touch fileName

Create an empty file (also updates file timestamps)

wc -l fileName

Count lines in fileName

which commandName

Reveal what will really be run when you give a command

or who

List users currently logged on

yes

A very useful command ;-)

Ctrl-c

Stop (interrupt) a process

Ctrl-r

Interactively search in command log.  See history

Ctrl-z

Suspend a process, see also jobsfg and bg

80


81


Introduction to

For Bio-Linux 8

January 2015

  

  

Website: http://

[14]

environmentalomics.org

[15]

/bio-linux

Email:helpdesk@nebc.nerc.ac.uk


Table of Contents

PART ONE: INTRODUCTION TO THE BIO-LINUX 8 SYSTEM……………………………………..1
Logging in and exploring the Bio-Linux desktop…………………………………………………………………………………………………1

Running applications……………………………………………………………………………………………………………………………………….3
Finding files and drives……………………………………………………………………………………………………………………………………3
Setting things up……………………………………………………………………………………………………………………………………………..4

Finding your way on the system…………………………………………………………………………………………………………………………7

The Root Folder………………………………………………………………………………………………………………………………………………..7

Using the command shell……………………………………………………………………………………………………………………………………8

Anatomy of a Command………………………………………………………………………………………………………………………………….9
Listing files in a directory………………………………………………………………………………………………………………………………10
Learning about Linux commands…………………………………………………………………………………………………………………….11
Basic Linux tips for filenames………………………………………………………………………………………………………………………..12
Getting the prompt back when running graphical applications from the terminal………………………………………………….12
Linux shorthand and shortcuts………………………………………………………………………………………………………………………..13

More Basic Linux Commands………………………………………………………………………………………………………………………….13

Changing directories……………………………………………………………………………………………………………………………………..14
Tab completion……………………………………………………………………………………………………………………………………………..15

Command history…………………………………………………………………………………………………………………………………………….17

Making a directory………………………………………………………………………………………………………………………………………..17

Office software………………………………………………………………………………………………………………………………………………..18

Using text editors……………………………………………………………………………………………………………………………………………..19

Nano……………………………………………………………………………………………………………………………………………………………19
Gedit……………………………………………………………………………………………………………………………………………………………19

Reading text files……………………………………………………………………………………………………………………………………………..20

An important note on line endings – CR and LF……………………………………………………………………………………………….21

Copying files……………………………………………………………………………………………………………………………………………………22

Linking to files…………………………………………………………………………………………………………………………………………………23

Removing files and directories………………………………………………………………………………………………………………………….24

Redirecting output to files………………………………………………………………………………………………………………………………..25

Piping output between applications………………………………………………………………………………………………………………….26

Diff, Grep and Sort………………………………………………………………………………………………………………………………………….27

Diff……………………………………………………………………………………………………………………………………………………………..27
Grep…………………………………………………………………………………………………………………………………………………………….27

Environment Variables…………………………………………………………………………………………………………………………………….29

Changing permissions on files and directories…………………………………………………………………………………………………..30

Some other useful information…………………………………………………………………………………………………………………………31

Copying and pasting text………………………………………………………………………………………………………………………………..31
The simple way to stop a process…………………………………………………………………………………………………………………….31
Putting a command to one side……………………………………………………………………………………………………………………….31
Logging out of a session………………………………………………………………………………………………………………………………..31
Clearing your terminal of text…………………………………………………………………………………………………………………………31
Accessing a running program or working with others interactively……………………………………………………………………..32
Accessing your machine – including a full graphical desktop - remotely……………………………………………………………..32

PART TWO: INTRODUCTION TO BIOINFORMATICS ON BIO-LINUX………………………..33
Documentation and Help for Bioinformatics Software on Bio-Linux…………………………………………………………………33

Bio-Linux Bioinformatics Documentation……………………………………………………………………………………………………….33
Help Functions within the Programs………………………………………………………………………………………………………………..34


Example data for this tutorial…………………………………………………………………………………………………………………………..34

Interface choices………………………………………………………………………………………………………………………………………………35

General points about working with bioinformatics programs……………………………………………………………………………36

Sequence formats………………………………………………………………………………………………………………………………………….36
File naming conventions in bioinformatics……………………………………………………………………………………………………….37
Naming files and the danger of over-writing previous results……………………………………………………………………………..39
A common problem: what is a text file and what is not………………………………………………………………………………………39
GZipped files in bioinformatics………………………………………………………………………………………………………………………40

EXAMPLES OF RUNNING BIOINFORMATICS PROGRAMS ON BIO-LINUX………………41
Analysing sequences with QIIME…………………………………………………………………………………………………………………….41

Preparation…………………………………………………………………………………………………………………………………………………..42
Assign Samples to Multiplex Reads………………………………………………………………………………………………………………..42
Processing sequences into OTUs…………………………………………………………………………………………………………………….43
Data to information……………………………………………………………………………………………………………………………………….44

Heatmap………………………………………………………………………………………………………………………………………………….45
Taxonomy Summary Charts……………………………………………………………………………………………………………………….45

Diversity………………………………………………………………………………………………………………………………………………………45

Alpha………………………………………………………………………………………………………………………………………………………45
Beta…………………………………………………………………………………………………………………………………………………………45
Inter-Sample Distance……………………………………………………………………………………………………………………………….46
Jackknifing & UPGMA……………………………………………………………………………………………………………………………..46

Analysing sequences with MOTHUR………………………………………………………………………………………………………………..47

Preparation…………………………………………………………………………………………………………………………………………………..47
Assign Samples to Multiplex Reads and Quality Filtering………………………………………………………………………………….48
Generating Alignment & Distance Matrix………………………………………………………………………………………………………..48
Classify Sequences………………………………………………………………………………………………………………………………………..49
Renaming Files……………………………………………………………………………………………………………………………………………..49
Clustering Sequences…………………………………………………………………………………………………………………………………….49
Generating OTU Table and Normalisation……………………………………………………………………………………………………….49
Classifying OTU…………………………………………………………………………………………………………………………………………..50
Converting the shared file to BIOM-format………………………………………………………………………………………………………50
Data to information……………………………………………………………………………………………………………………………………….50

Heatmap………………………………………………………………………………………………………………………………………………….50
Venn Diagram…………………………………………………………………………………………………………………………………………..50

Finding and running useful scripts…………………………………………………………………………………………………………………..51

Aligning sequences using MUSCLE………………………………………………………………………………………………………………….51

BLAST……………………………………………………………………………………………………………………………………………………………53

A few examples of ways to run BLAST, on Bio-Linux or otherwise……………………………………………………………….53
What this course covers……………………………………………………………………………………………………………………………..53
Why use BLAST on the command line?………………………………………………………………………………………………………53
General considerations for database searching……………………………………………………………………………………………..54
A very, very brief introduction to BLAST+………………………………………………………………………………………………….54
How a BLAST database looks on the file system………………………………………………………………………………………….55
A simple blastp search……………………………………………………………………………………………………………………………….55
Formatting BLAST output…………………………………………………………………………………………………………………………56
Handling multiple sequences……………………………………………………………………………………………………………………..57

BLAST searching using fasta files containing more than one sequence……………………………………………………….57

Processing multiple files using a foreach loop……………………………………………………………………………………………………57

Working with lots of BLAST results……………………………………………………………………………………………………………61

EMBOSS Programs…………………………………………………………………………………………………………………………………………62

Ways to run EMBOSS programs:……………………………………………………………………………………………………………….62

A comparison of the Jemboss and command line interfaces for EMBOSS programs…………………………………….63

Working with EMBOSS programs………………………………………………………………………………………………………………63
Using the EMBOSS command line……………………………………………………………………………………………………………..65

A very basic sequence assembly………………………………………………………………………………………………………………………..69

Quality Checking………………………………………………………………………………………………………………………………………69
Split Barcodes………………………………………………………………………………………………………………………………………….69


Clean Up………………………………………………………………………………………………………………………………………………….70
Assembly With Velvet……………………………………………………………………………………………………………………………….71
Assembly With Abyss……………………………………………………………………………………………………………………………….71
Assessing The Assemblies………………………………………………………………………………………………………………………….72
Adding Some Annotation…………………………………………………………………………………………………………………………..72

Artemis……………………………………………………………………………………………………………………………………………………………73

Ways to run Artemis:…………………………………………………………………………………………………………………………………73

Appendix A – BLAST references and documentation………………………………………………………………………………………..75

Web pages……………………………………………………………………………………………………………………………………………………75
References……………………………………………………………………………………………………………………………………………………75

Appendix B – Creating local BLAST databases………………………………………………………………………………………………..76

Obtaining local BLAST databases………………………………………………………………………………………………………………76
Building BLAST indices from local sequence files……………………………………………………………………………………….77

Appendix C - Cheat sheet of basic Linux commands…………………………………………………………………………………………79

Copyright and redistribution:
This document is the work of many authors over many years.  Unless otherwise stated the material is Copyright NERC.  
You may redistribute the complete document and its associated files without restriction in any format.
If you re-use substantial portions of this text in derivative works you must acknowledge the authors (CC-BY).  We would
also appreciate you letting us know if you re-use our stuff.
If you use Bio-Linux for your science, please cite us!  See the website for further info.


Part One: Introduction to the Bio-Linux 8 System

Logging in and exploring the Bio-Linux desktop

You can log into your Bio-Linux machine locally or over the network, on a fully installed system or a Virtual
Machine or on a system running Live from a USB memory stick or a DVD. 

These course notes are written from the perspective of someone running the Live version of the system – that
is, having booted a PC directly from a USB memory stick and selected “Try Bio-Linux”. The main 
differences for people working on an installed system will be the name of the account you are logged into 
and what privileges that particular user account has. For example, the user of the Live system always has full
administrative privileges.  So don’t worry if you find small differences between what is described here and 
what you see on your system.

Please refer to our on-line document about various ways you can set up a Bio-Linux system:

http://environmentalomics.org/bio-linux-installation

If you are booting the machine from a DVD or a USB memory stick, when prompted, select

Option 1:  Try Bio-Linux

After the system has started up, you will see the Bio-Linux desktop (Figure 1).

1

Figure 1: A view of the Bio-Linux 8 desktop


There are three icons on the desktop

Install Bio-Linux 8

On the Live System only – click this icon to start the Bio-Linux installer

Bio-Linux Documentation Opens a menu of links as follows:

NEBC Homepage

Opens the NEBC home page in a web browser

User Guide

Opens the Bio-Linux Userguide – a basic introduction to system admin

Introductory Tutorial Opens the folder of Introductory Bio-Linux tutorials and data files

Bioinformatics Docs Shows the NEBC Bio-Linux Bioinformatics Documentation System

Sample Data

Provides access to much sample data to help you in trying out new 

software

On the left of the screen you will see the Dash, which is used to launch and organize applications.  The 
dash is populated by a column of large button icons.  The Dash Button at the top with the Ubuntu logo

 brings up the main Dash panel to find files and applications (see below).  The other icons are, by 

default, from the top:

1.

Open your home folder

2.

Launch Firefox web browser

3.

Launch Evolution mail reader

4.

LibreOffice Writer word processor

5.

LibreOffice Calc spreadsheet

6.

LibreOffice Impress presentation editor

8. Shell Terminal

9. Ubuntu Software Centre (find and install 

apps)

10. System Settings and User Preferences

11. Virtual Desktop Switcher

12. Disks and USB removable media

13. Rubbish Bin (deleted files area)

On the top of the screen you will see the menu and panel bar (Figure 2).

Figure 2: The menu and panel bar, found at the top of the screen.
If you open an application window, the name of the active application will appear in the left portion of this 
bar.  If you move the mouse over it, a context menu for the active window will appear (like on Apple Mac).  
The right portion of the bar has a panel of icons to control some system settings.

From left to right, the things you see in the panel area above are:

1. Network monitor and setup (the icon shown 

indicates WiFi is active – you may see others)

2. Keyboard selector (defaults to UK keyboard)
3. Battery monitor (on laptops only)

4. Audio volume control
5. Wall clock (click it for a calendar)
6. System menu (includes access to system 

settings and options to lock screen, switch 
user, shut down, etc.)

2


Running applications
Clicking the Dash Button at the top left of the screen opens a panel where you can search for applications 
and files on the system.  This includes bioinformatics tools and any other applications you have installed. 
Start typing either the application name or a keyword, or select the DNA icon at the bottom (circled in the 
image) to see a list of bioinformatics tools and resources.

Figure 3: Searching for applications in the Dash

The applications found in the menu are by no means all the means all those found on the system.  Most 
bioinformatics applications need to be run from the terminal as detailed at length in this tutorial.

Finding files and drives
The file cabinet icon near the top of the Dash takes you directly to your Home folder. 

Figure 4: Your home folder

3


Your personal Desktop, and folders in your Home area called Documents, Pictures, Videos, etc. are listed.  
You can use these or else create your own folders as you wish.
The file browser provides convenient shortcuts to these directories in the left pane, even if you are viewing 
another folder in the main panel.
Devices recognized by your system such as the disk drives, CD/DVD devices, USB sticks, etc. are listed at 
the bottom of the left pane.  Removable media can be ejected by clicking the icon next to the device name.
Networks resources can be accessed through the Browse Network icon.  This includes Windows network 
shares using the CIFS protocol and files on other Bio-Linux machines if you can access them via the SFTP 
protocol.  Browsing regular FTP servers is also supported.
Note: The Dash also has a file and media finder, as seen on the previous page, selected by clicking the 
Ubuntu button at the top left to bring up the Dash console and then selecting one of the little white icons 
from along the bottom of the window.

Setting things up

The System settings icon 

 allows you to customise

and administer your system (Figure 6) in various ways.

The Personal area is used for customising a variety of
attributes relating to your personal preferences.

The Hardware and System areas allow you to do things such
as configuring hardware drivers, changing firewall settings,
administering users and groups, and managing the packages on
your system.

Other features - Virtual Desktops etc.

The icon that looks like this: 

 allows you to switch

“virtual desktops”. Unlike Windows, Linux by default gives you access to multiple desktop areas. This 
allows you to have windows open for different things in different virtual desktops. For example, if you were 
working on writing an article, you could have programs relevant to that work open and visible via one of 
these desktops. Meanwhile, you could have programs related to sequence analysis open on another desktop, 
and so on. This is a great tool for keeping things organised during your working day. Clicking the icon will 
zoom out to show an overview of all desktops.  You can also switch quickly by holding down Ctrl+Alt and 
tapping the arrow keys on the keyboard.

The Deleted Items Folder icon 

 (also commonly referred to as a Rubbish Bin or Trashcan) is the 

bottom icon the Dash. This is where files deleted in the file browser usually end up. This gives you a chance 
to salvage them if you deleted them by mistake. Deleting files on the system is covered in more detail in the 
Removing Files and Directories section of this tutorial.

4

Figure 5: The System Settings Window


Exercise 1-1

 

a) Exploring the desktop

Take some time to explore the desktop. Look at the options under each of the icons covered in the previous 
section, and try the various subsections in the Dash console.

 Try clicking the icons on the desktop. Also try 

using the right and middle mouse buttons when the mouse pointer is over the icons in the Dash and explore 
the menus presented to you.

Try going to a different virtual desktop and starting up some windows/applications there.  Try moving 
windows off one desktop area and onto another.

b) Obtaining the example files for this tutorial

The sample files referred to in this tutorial can be found on the system as a compressed package file.  You’ll
need to copy and unpack them before proceeding.

Copying the compressed file from the tutorials folder on the system

Double-click the Bio-Linux Documentation icon on the desktop

Open the Introductory Tutorial

Drag the bioinf_files.tar.gz file to the left and drop it over the word Home to copy it to your home 

folder.

Note that a copy of this file can also be found online if you need it for some reason.

http://nebc.nerc.ac.uk/downloads/courses/Bio-Linux/bioinf_files.tar.gz

c) Extracting the files from the compressed tarball

The file you just downloaded is referred to as a tar file or tarball. Tar is a utility similar to Winzip; it 
makes package of files. The extra .gz extension shows that the gzip method has been used to compress the 
tar file. 

Here are two equivalent options for how to unpack these files, one on the command line and one graphical. 
Both should produce the same result.

Option 1 –  extracting via the command line

Open a new terminal by clicking the icon in the dash —>

Type the following at the command prompt and press the enter key :

tar  -xz   -f  bioinf_files.tar.gz

This command uncompresses and unpacks the contents of the tar file into your current working directory,
which in this case is your home folder.  You should then see a new prompt, just like this:

5


(exercise 1-1 continued)

If you see an error, try typing the command again, making sure it is exactly as shown above including 
spaces, hyphens, underscores, etc.  If the error says “No such file or directory ” then check you really did
copy the file in step (b) above.  You can confirm the extraction worked by looking in the file browser or 
using the ls command.

 

Option 2 –  extracting via a graphical interface

But don’t use this version – we’re trying to learn about the command line here!!

Open your Home Folder by clicking the file cabinet icon in the Dash.

Click the right mouse button over the bioinf_files.tar.gz file and select Extract Here.

d) Re-visiting the command above

Press the up arrow key while in the terminal.  The previous command should re-appear for you to edit.  
You can move the cursor left and right using the keyboard but don’t try to move it with the mouse – that 
won’t work.
Edit the command by adding an extra ’v’ righ after ’-xz’ so that the full command reads:

tar  -xzv  -f  bioinf_files.tar.gz

Hit the enter key to run it.  You don’t need to scroll the cursor back the end before you do this.  What is 
the result this time?

The letters after the hyphens are parameters of the tar command: x means “unpack/extract”, the z means 
“the file should be uncompressed with gzip”, the f indicates the file to unpack, and the v you just added 
means “be verbose”.  Therefore on this occasion you should have seen a list of the files being unpacked.

This is a common behavior for many Linux commands.  If the command runs successfully without errors
it says nothing and just goes right back to the prompt.  If you want the command to tell you what it is 
doing, adding -v makes it verbose, otherwise you may assume that “no news is good news”.

The use of the cursor keys to re-visit commands is a major time-saver in the terminal and you must get in
the habit of doing this.  The other major time-saver is Tab completion which we will come to soon.

e) Removing the compressed tarball

The unpacked files that you will be working with in this tutorial are now in a directory called bioinf_files

You can remove the compressed tar file now if you wish. Again, this can be done via the command line or 
using the graphical file browser but we’ll stick with the command line version. More details about how to 
remove files from the system are covered in the Removing Files and Directories part of this tutorial. 

Open a terminal window if you don’t have one already.

Type the following into the terminal, then press Enter:

rm bioinf_files.tar.gz 

Enter “y” to agree when you are asked if you wish to delete the file. 

6


Finding your way on the system

In Linux/Unix systems, documents are usually referred to as files, and file folders are referred to as 
directories.  

Your Bio-Linux file system can be thought of as a huge file folder (directory), inside of which are many 
other file folders (directories). Inside these there are more nested file folders (directories), and so on. As in 
the real world, where file folders can contain documents and other file folders, in Linux directories can 
contain files and other directories.  The hierarchy of folders is called the directory tree.

Your personal Home folder is one directory within the tree of directories that make up your Bio-Linux 
machine. In your account, you can create other directories, store data, run programs, etc. A graphical view of 
your home directory is available by clicking on the file cabinet Files icon in the Dash toolbar (Figure 5). This
opens up a window that shows the files and directories in your Home.  The full name of this folder on the 
system is /home/live, ie. a directory named after the login account, live, within the top-level directory named
/home, but the graphical file browser just shows it as Home.

Linux enforces file permissions depending on the login account.  By default on Bio-Linux, your account has 
the right to create, delete and edit files in your own Home folder, but not in other people’s accounts or in 
system directories. You can be given permission (or give yourself permission, if it’s your system) to work on 
files in such areas, and some information on setting file permissions is given later in this course. Your system
administrator or local IT support should be able to help you with sharing files if they are on a shared server.

You can use the graphical file browser to explore directory areas on the machine, and to move around in your
own files.  It allows you to accomplish most typical file operation, including opening files and copying, 
moving or deleting files using drag and drop or copy/cut/paste.   To view areas of the system outside your 
Home directory, click on Computer under Devices in the left hand pane to see the root directory of the 
system.

Exercise 1-2

If you have not done so already, click on the filing cabinet Files icon near the top of the Dash

Double-click on the bioinf_files directory that you unpacked in Exercise 1-1, to view the contents

Investigate the options under the file browser menus.  These appear on the bar at the very top of the 

screen.

Click on the Computer icon in the left panel. This allows you to see the root directory – the base of the

whole filesystem hierarchy.

Find the folder called home and double click on it.

You should see a single folder called live listed.  Select this to get back to your Home folder.  If you 

are not working on a live-booted system you should see a folder with your username, and other user 
folders may also listed. A lock symbol on a folder would inform you that you do not have permission to 
view the contents of that folder.

The Root Folder

The name of the base directory of the whole system, the one within which every file on the system  is 
contained, is the root directory. It is referred to by a single forward slash  “ ”.

When you work in the graphical file browser it shows your location relative to your Home folder, unless you 
are looking at files outside your Home in which case it shows the location relative to the root.  You should 
have seen how the location changed as you browsed folders in exercise 1-2.

7

Figure 6: Location path for Templates folder in File Browser view.


Your personal home folder (actually called live but labeled as Home), sits within the directory called home 
(with a small h), that contains homes for all users. This directory home is under the root directory, 
represented by a tiny picture of a disk in the graphical view or a single forward slash in the terminal.  

In other words, this information tells you where you are in system.

The location of a file or directory within the system is its path. If you are asked for the full path or absolute 
path to a file, you need to provide a complete listing of all the directories traversed on the system to get to 
that file. That is, you need to give the full path from the root directory to that file.  The path is written by 
starting with a  forward''' slash “/” then listing the names of the directories you need to traverse in the system 
to find that file, with each directory name separated with another forward slash.

To see the full path in the conventional format most command-line programs would expect you to provide, 
press Ctrl-L while viewing a File Browser window. You should see something like this:

To summarize the syntax provided in Figures 9 and 10:

/home

home is a directory located within the root directory

/home/live

live  is a directory within the directory home which is within the root 

directory.  This special directory will sometimes be shown as 

Home, with a

capital H, because it is the home folder for the live user.

As another example: the full path to the file capsall.fasta, in the bioinf_files directory within the home 
directory of the live user:

/home/live/bioinf_files/capsall.fasta

Often you can provide just the route from where you are on the system to where your file is; this is referred 
to as a relative path. For example, if you are working in your home directory, the relative path to the file 
mentioned above would be bioinf_files/capsall.fasta.

 Keeping things organised

Everyone knows it, but it’s worth restating: if you start by creating a folder structure with meaningfully 
named subfolders, name your files so that the names indicate the contents (or follow some defined naming 
convention), and store your files in the right place, your life will be much, much easier!

Using the command shell

The real power of Linux/Unix systems is the command line. 

A list of common Linux commands is provided in Appendix D of this document for reference.

Many programs and facilities are available through graphical options on Linux, but all programs and 
facilities can be accessed by the command line, also known as the shell. Some tasks are easier, or more 
appropriately done using graphical interfaces. Equally though, other things are easier or more appropriately 

8

Figure 7: Location in graphical file browser given in text; this is the the full 

path to the Templates folder in the home directory of the live user account.


done using the command line. Obvious examples include when you need to work with large numbers of files 
or want to automate processes.  First steps on the command line can be hard but the rewards are worth it (we 
promise!)

Access to the command line is done through a terminal window. 

You can open a new terminal by:

clicking the middle button on the terminal icon on the Dash toolbar

or, going into an already open terminal and typing a command to open a second terminal:

gnome-terminal &

Anatomy of a Command

Linux/Unix commands usually take the form shown in Figure 11.   You’ve already seen a good example in 
Exercise 1-1 part c.

The first word you supply on the command line is interpreted by the system as a command; that is – 
something the system should do or a program to be run. Items that appear after that on on the same line are 
separated by spaces. The additional input on the command line indicates to the system how the command 
should work. For example, what file you want the command to work on, or the format for the information 
that should be returned to you. 

Most commands have options available that will alter the way the command functions. You make use of 
these options by  providing the command with parameters, some of which will take arguments. Examples in 
the following sections should make it clear how this works. With some commands you don’t need to issue 
any parameters or arguments. Occasionally this is because there are none available, but usually this is 
because the command will use default settings if nothing is specified. 

If a command runs successfully, it will usually not report anything back to you, unless reporting to you was 
the purpose of the command (eg. ls). If the command does not execute properly, you will see an error 
message returned. Some of these messages are hard to decipher until you have a bit of Linux experience but 
ultimately they should tell you what has gone wrong.

Note:  Items supplied on the command line separated by spaces are interpreted as individual pieces of 
information for the system. For this reason, a filename with a space in it will be interpreted as two filenames 
by default. How to get around this is is addressed in more detail later in the course.

Note 2: The use of the ampersand in the previous example, gnome-terminal &, is explained in a few pages 
time.  You would not put an ampersand on the end of most shell commands.

9

Figure 8: The Linux/Unix command line structure. Each part of a command is separated by
one or more spaces.

       command

   parameters

arguments

what I want to do

how I want to do it

on what do I want to do it

eg: tar

-xvz -f

bioinf_files.tar.gz


Listing files in a directory

The command ls lists files in a directory. 

By default, the command will list the filenames of the files in your current working directory. When you first
open a shell this is your home directory.

If you add a space followed by a –l (that is, a hyphen and a small letter L), after the ls command, it alters the 
behavior of  the command: it will now list the files in your current directory, but with details about them 
including who owns them, what the size is, and what kind of file it is.  Information about this is shown in 
Figure 11. 

Exercise 1-3

     a) Try browsing files in both the terminal and the graphical file browser:

Open a new terminal by clicking the terminal icon

In the terminal, type the command ls. Compare what you see listed with what you see in the graphical 

representation of your Home directory.

Type the command ls –l and note the kind of information being provided and how it compares to the 

graphical representation of your files.

In the graphical File Browser, click on the List option under the View menu, and compare this 

information to that provided using the ls –l command.

In the console, type ls –l bioinf_files and also click on the bioinf_files folder in the graphical file 

browser and compare what you are seeing.

You can also use glob patterns to identify file names by pattern. 

*

an asterisk means any string of characters

?  

a question mark means a single character

[ ] 

square brackets can be used to designate a group of characters

More details about this are given in the Linux shorthand and shortcuts '''section below.

10

Figure 9: The detailed output of the command ls when run with the -l flag

drwxr-xr-x 6  manager 

users   4096 2008-08-21

09:26 twilliams

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 hybInfo.txt

-rw-r–r– 1

manager 

users   9784 2007-03-19

14:09 targets_v1.txt

-rw-r–r– 1

manager 

users   7793 2007-03-19

14:14 targets_v2.txt

File

type

File 

permissions

User

Group

File
size

Date and time

modified

Filename


(Exercise 1-3, continued)

     b)  Try these commands that use wildcards to match multiple files:

List all the files in the directory bioinf_files. that start with the letters tes

ls bioinf_files/tes*

List all the files in your directory that start with tes, and end in 1.embl, 2.embl or 3.embl

ls bioinf_files/tes*[123].embl

Learning about Linux commands

Most Linux commands have a manual page that provides information about the command and options that 
can alter its behaviour. Many tasks can be made easier by using command options. A good rule of thumb is 
to ask yourself whether what you want to do is something many others may have wanted to do. If the answer 
is yes, then there may well be commands and options available to do that task.

Linux manual pages are referred to as man pages. To open the man page for a particular command, you just 
need to type man followed by the name of the command you are interested in.  To browse through a man 
page, use the cursor keys (↓ and ↑). To close the man page simply hit the key on your keyboard.

If you do not know the name of a command to use for a particular job, you can search using man –k 
followed by the type of thing you are trying to do. An example of this is in exercise 1-3, part c). 

(Exercise 1-3, continued)

     c)

Look up the manual information for the ls command by typing the following in a terminal:

man  ls

Skim through the man page. You can scroll forward using the up and down arrow keys on your 

keyboard. You can go forward a page by using the space bar, and move backwards a page by using the  
key. 

What does the  -h option do?  What about the -a option? What would running ls  -lrt do?

Press the q key when you want to quit reading the man page.

Try running ls using some of the options mentioned above.

Look up some programs with man pages with the keywords “list directory”

man –k “list directory”

11


Basic Linux tips for filenames

Linux does not deal well with spaces in filenames! 

Or to be more precise, Linux itself deals perfectly well with spaces and all manner of special characters in 
filenames but many programs you’ll want to run on Linux do not, and if  you’re talking about those files in 
the terminal you’ll need to remember to quote them as described below.  If you stick with letters, numbers, 
hyphens, underscores and full stops, you will be fine.

Filenames with spaces in them are a common problem when transferring files to Linux from computers 
running Windows, or Mac operating systems.  Normally the simplest thing is to rename the files before you 
work with them.

If you want to reference filenames with spaces in them, you will need to enclose the entire filename in 
quotation marks so that Linux understands that the space is part of one single name.

Alternatively, you can “escape” the space using a backslash. For example, if I have a file called 

my document

Linux will see this as two words, “my” and “document”.

But you could write either of the following to make it understand you mean a single file:

“my document”
my\ document

To avoid worrying about this, a common practice is to replace the space with an underscore. For example:

mv “my document”  my_document

Everything is case sensitive

Linux systems consider capital letters different from lower case letters. The filename myFile is not the same 
as the filename Myfile or myfile.  You could have all three of these in the same folder.

There are some common naming conventions in place for biological data that you should try to follow. More 
is said on this in the second part of this tutorial.

Getting the prompt back when running graphical applications from the 

terminal

On an earlier page the command gnome-terminal & was suggested as a way to start a new terminal, but the 
ampersand symbol was not explained.  By default, when you run a command the shell expects that the 
command will want to display text in the terminal window so it gets out fo the way until the command is 
finished.  Ending a command with & tells the shell to go immediately back to the prompt, not waiting for the
command to complete.  This makes most sense when you expect the command to open up a new graphical 
window.  It is also possible, though more fiddly, to change your mind and get the prompt back while the 
command is running.

Confusingly, some graphical programs will always signal the shell to keep going even if you omit the 
from the command.  To demonstrate the default behavior we can use a very simple program called xcalc.  
The following exercise will hopefully help you understand how all this works.

12


Exercise – understanding the function of “&”:

1. In a terminal, type the command xcalc

1. A basic calculator should appear.  Try it out.
2. Try to type another command (eg. pwd) back in your terminal window.
3. Close the xcalc window and now see what happens back in the terminal.

2. Run xcalc again and leave it running.  Now we’re going to get the terminal prompt back…

1. Back at the terminal, type Ctrl-z (ie. hold down Ctrl and tap z).
2. What message do you see?  Hopefully you can run commands again.
3. Try using the calculator.
4. In the terminal, give the command bg and try using the calculator again.

3. Run xcalc once again with an ampersand after the command – xcalc &

Linux shorthand and shortcuts

Understanding Linux commands can seem daunting at first. This is in part due to particular characters (full 
stops, question marks, etc.) having special meaning in commands. Once you learn the basics, these shorthand
characters are extremely useful and time saving.

The following incomplete list covers the symbols you will see most often today and describes their meanings
as you will most likely encounter them in this course. 

*

    

matches any character appearing 0 or more times, also known as a wildcard

  

ls  mydir/*

list all the files under the directory mydir

ls  cat*

list all files starting with the letters cat 

ls  cat*hat

list all files starting with the letters cat and ending in hat

?

matches a single character

ls cat??hat

list all files starting with the letters cat followed by any 2 letters,

and then hat

.

the directory you are currently in – ie. the last one you moved to using cd

..

the directory one level above the one you are currently in, aka. the parent directory

~

shorthand for your home directory, eg. /home/live

$var

dollar sign indicates a variable substitution, even within double quotes 
– see the section on environment variables

!

used for history substitution – not covered in this course

-

often seen preceding a parameter (eg. ls -l)
also, the command cd - is a special case meaning “cd to previous directory”

;

a semicolon can be used to separate two commands on the same line;

 

it is also used when writing loops – see p59

More Basic Linux Commands

13


A list of common Linux commands is provided in Appendix D of this document for reference.

Changing directories

The command used to change directories is cd

If you think of your directory structure, (i.e. this set of nested file folders you are in), as a tree structure, then 
the simplest directory change you can do is move into a directory directly above or below the one you are in.

To change to a directory one below you are in, just use the cd command followed by the subdirectory name:

cd  subdir_name

To change directory to the one above your are in, use the shorthand for “the directory above”   ..

cd ..

If you need to change directory without worrying where you are now, you could explicitly state the full path:

cd /usr/local/bin

If you wish to return to your home directory at any time, just type cd by itself.

cd

And finally, you can type

cd – 

This returns you to the last directory you were working in before this one. 

If you get lost and want to confirm where you are in the directory structure , use the pwd command (print 
working directory). This will return the full path of the directory you are currently in. Also by default in Bio-
Linux, you see the name of the current directory you are working in as part of your prompt. 

For example, when you first opened the terminal in a live session you should see the prompt:

live@biolinux[live]

This means you are logged in as the user live on the machine named biolinux, and you are in a directory 
called live.  (Recall that the full path of your home directory is /home/live.)

If you move into the bioinf_files directory

cd bioinf_files

you would see the prompt:

live@biolinux[bioinf_files]

14


Exercise 1-4

Ensure you start in your home directory by using the cd command on its own.  Change directory from 

your home directory to the directory bioinf_files by typing

        cd bioinf_files

Find the full path to where you are by typing

pwd

Type cd bioinf_files a second time.  Why doesn’t this work?

Change directory into the /usr/bin directory by typing

cd /usr/bin

List the files in this directory.

This is the main directory of runnable programs on the system. 
Some bioinformatics software can be found in here. Others are in /usr/local/bin

How can you get back to the bioinf_files folder from here?  Can you work out how to do it with a 

single command?

Tab completion

Tab completion is an incredibly useful facility for working on the command line. 

The main thing tab completion does is complete the filename or program name you have started typing, 
saving you typing time and reducing spelling errors.

For example, from your home directory, you could type:

cd bio

and hit the tab key.

If there is only one directory with a name starting with the letters “bio”, the rest of the name will be 
completed for you. Here this would give you:

cd bioinf_files

The terminal environment on Bio-Linux is set up such that if there is more than one file with that 
combination of letters, all the files will be shown to you. You can choose the one you want by typing more of
the filename, or by continuing to hit the tab key multiple times.

15


Exercise 1-5

Return to your home directory if you are not already there by typing cd

Type cd bio and use tab completion for the rest of the command. Only then press the return key.

You will now be in the bioinf_files directory.

Type ls testseq and use tab completion. This will show you a list of files that start with testseq.

You now have the option of completing the filename yourself, or “tabbing” through the  filenames

available.

Press the tab key a number of times to see what happens.

Type ls c and press tab once to view the files available. 

Type a further such that you now have ls ca on the command line. 

Now press the tab key again.

As you get faster with this, it will save you a lot of typing effort.  Also, tab completion knows how to

escape spaces and other non-standard characters in file names for you.

Exercise 1-6

In the previous exercise tab completion was finding files in the working directory, but it can also help 

you find command and program names because the system knows that the first word you type is going 

to be a command name.

Type a on the command line and then press the tab key. 

Add rte to the a so that you now have arte on the command line. Press the tab key again.

You will see that there is only one command that starts with these letters: artemis 

For programs that might contain case sensitive names, tab completion can be especially useful.

Type bl on the command line and press the tab key. You will see a number of program names listed. 

Keep pressing the tab key to see how the filenames will cycle through on the command line.

16


Command history
Previous commands you have used are stored in your history. You can save a lot of typing by using your 
command history effectively. If you use the up arrow key when you are at the prompt in your terminal, you 
can see previous commands you have run. This is particularly useful if you have mistyped something and 
want to edit the command without writing the whole command out again.

You can also view past commands using the command history. By default, history will return a list of the 
last 15 commands run. You can add a number as a parameter to the command to ask for longer or shorter 
lists. For example, to return the last 30 commands run, you would type:

history -30

It is possible to “speed search” previously-executed commands by pressing the key combination: 

Ctrl-r (ie. hold down Ctrl and tap the R key)

Then start to type.  The command history will be scanned and the last matching command will be displayed 
on the console. Type Ctrl-r repeatedly to cycle through the entire list of matching commands.

Exercise 1-7

Type  history -n 10 on the command line.

Type Ctrl-r, then start typing ist.

Making a directory

To make a new directory, use the command mkdir (make directory). For example:

mkdir newdir

would create a new directory called newdir.

Exercise 1-8

Start in your bioinf_files directory.

Make a new directory called testdir

The graphical view of your account should immediately update to show this new directory.

Move into the new directory testdir

Move straight back into the bioinf_files directory using a single command.  (see the shorthand and 

shortcuts section above for a hint)

17


Office software

Leaving the command line for a short while…  There are a number of word processors and spreadsheet 
programs available for your system. In this course we will look at the LibreOffice suite of programs, 
previously known as OpenOffice. This is an open source alternative to Microsoft Office and can be run on 
both Linux and Windows.

The programs within LibreOffice  can be run graphically from the icons in the Dash toolbar.

Exercise 1-9

Click on the LibreOffice Calc Spreadsheet icon.

Under the File menu, click on Open.

Look inside the bioinf_files directory.

Open the file called example.xls.

Make a few changes and save the file using the Save or Save As… options under the File menu.

Close LibreOffice Calc by choosing Exit from under the File menu.

18

  Text files, Word Processors and Bioinformatics

Documents written using a word processor such as 

Microsoft Word or LibreOffice Write are not plain text 

documents. If your filename has an extension such as 

.doc or .odt, it is unlikely to be a plain text document. 

(Try opening a Word document in notepad on Windows if you want proof of this.)

 

Word processors are very useful for preparing printed documents, but we recommend you do not use them 
when working with bioinformatics data files.

There is a handy command called simply file that will inspect a file and tell you what it looks like.  If you 
run this on a FASTA file it will say “ASCII text” because FASTA is a plain text format.  If it says "binary 
data“ or ”HTML“ or ”OpenDocument Text" or whatever then this is not actually a FASTA file, even if it 
resembles one when viewed in soem applications.

Word processor

Spreadsheet

Presentation editor

Figure 10: LibreOffice Applications in the dash toolbar


Using text editors

Plain text files are important, both as input to bioinformatics programs and as input or configuration files for 
system programs. We highly recommend that you learn to use a text editor to prepare and edit plain text 
files.

There are a number of different text editors available on Bio-Linux.  These range in ease of use, and each has
its pros and cons. In this practical we will briefly look at two editors, nano and gedit.

Nano

Pros:

 very simple – for example, most command 

options are visible at the bottom of the 
window

 can be used right in the terminal without 

graphical support

 fast to start up and use
 supports syntax hilighting

Cons: 

 due to simplicity, lacks some advanced 

features – eg. line numbering, search by 
pattern

 it is not completely intuitive for people who 

are used to graphical word processors

Gedit

Pros:

 very easy to start using
 supports syntax hilighting

 looks similar to a word processor, but is in 

fact a powerful text editor.

 has many useful plugins that you can easily 

install

Cons: 

 it is a graphical program and cannot be run 

from a text-only environment

 it is slightly slower to start up than non-

graphical editors

 for real power users, it’s not a match for Vim 

or Emacs

As most users will work on Bio-Linux using a graphical environment, we will only use Gedit in the exercise 
for this section.

Exercise 1-10

Editing a file with Gedit

To start up Gedit, you can use the command line, or find it in the Dash menu. Choose one of the two 
methods to open gedit:

Command line

Type gedit &

Graphical menu

Click the Dash Home at the top left of the screen, then type edit and click the Text Editor icon.

Type three or four lines of text into the gedit window. 

Save your file using the save option under the File menu (note, you have to move your mouse right to 

the  top of the screen to see this) or simply click the Save button on the Toolbar. Save it as 
myfirstfile.txt in your testdir directory.

19


Exercise 1-10 continued

To save  a file under the testdir directory, you may have to click on the drop down arrow to Browse for 
other  folders. This will expand this section into a File Browser like the one you’ve seen in past exercises. 
Simply browse through to the location testdir is in and click the Save button.

Add a new line to your file and save the file again using the Save As… option under the File menu. 

Save this file as mysecondfile.txt in the testdir directory. 

Add more functionality to gedit by choosing the menu options; Edit → Preferences. A pop-up box 

will appear with 4 tabs:

View

Editor

Font & Colours

Plugins

Seeing the line numbers in a file helps to keep track of your position in that file. We will enable line 
numbers here.  

On the View tab enable  Display line numbers. Now you can see the line numbers on the left. 

Next, click on the Plugins tab and enable the Change Case and the Document Statistics plugins.  

Browse around the other plugins and see what functionality they provide.

Under the Tools menu, click on Document Statistics.  

Try out the other newly added plugin, by selecting a piece of text from the document you are editing 

with the mouse and click on the Edit menu. Hover the mouse over the Change Case menu and choose one
of the options you are presented with.

Change part of one of the lines in this file and save it again using the Save As… option under the File 

menu. This time save it as mythirdfile.txt in the testdir directory.

Quit gedit by choosing the option Quit under the File menu.

Reading text files

There are many commands available for reading text files on Linux/Unix. These are useful when you want to
look at the contents of a file, but not edit it. Among the most common of these commands are catmore, and 
less.

cat simply prints out a whole file in the terminal, which is often a very useful thing to do. However, cat 
streams the entire contents of a file to your terminal at once and is thus not that useful for reading long files 
as the text streams past too quickly to read. (Note – cat is short for concatenate because if you give it 
multiple files it will string them together in order before printing them.)

more and less are commands that show the contents of a file one screenful at a time. less has more 
functionality than more; specifically it can scroll backwards, hence the name. 

With both more and less, you 

can use the space bar to scroll down the page, and typing the letter q causes the program to quit – returning 
you to your command line prompt. 

Once you are reading a document with more or less, typing a forward slash / will start a prompt at the 
bottom of the page, and you can then type in text that is searched for below the point in the document you 
were at. Typing in a ? also searches for a text string you enter, but it searches in the document above the 
point you were at. Hitting the n key during a search looks for the next instance of that text in the file.

20


With less (but not more), you can use the arrow keys to scroll up and down the page, and the b key to move 
back up the document if you wish to. 

Exercise 1-11a

Move into the bioinf_files directory. 

Read the file hsy14768.embl using the commands catmore and less.

Don’t forget that tab completion can save you typing effort.

cat hsy14768.embl

more hsy14768.embl  Use the spacebar to scroll down

Press q to quit.

less hsy14768.embl

 Use the spacebar to scroll down, to go up a page, and the up and 
down arrow keys to move up and down the file line by line.
Press the / key  and search for the letters sequen in the file.
Press the ? key and search for the letters gene in the file.
Press the n key to search for other instances of gene in the file.

In almost all cases, if you want to look at a file in the terminal you want to use less. The cat command is 
more usually used in conjunction with other commands or when you actually want to concatenate files. The 
more command does nothing that less can’t do.

An important note on line endings – CR and LF
There is one major gotcha when working with text files, and it stems from a decision made way back in the 
olden days of line printers.  To print a text file on such a device, you would send the raw text file directly 
down the serial line to the printer and at the end of each line you sent two control codes, one to advance the 
paper (line feed) and the other to move the print carriage back to the start (carriage return).

In MS-DOS, later Windows, both these codes were embedded in standard text files at the end of every line.  
In UNIX, and later Linux, a single LF character is used to indicate a newline.  On old Macs it was a single 
LF.  New Macs use the UNIX convention, so text files with single LF newlines are rare.

Many programs on Linux are written to deal with all these conventions – they just helpfully regard any 
combination of CR and LF as meaning “next line”.  Others are not, and will either complain the file is invalid
or worse will try to process the extra characters as meaningful data and produce nonsense results.  You don’t 
need this hassle so, much like we recommended removing spaces from filenames above, we also recommend
ensuring all your text files are in order before attempting any bioinformatics on them.  The next exercise 
shows how you might do this.

21

  Remember the man pages

There are many command line options available for each of the above commands, as well as 
 functionality we do not cover here. To read more about them, consult the manual pages:

man cat
man less

As you’ll see, the manual pages are actually displayed for you using less.


Exercise 1-11b

In Gedit, open the file hexaseqs.list which is provided in bioinf_files.

Without editing the file, save it as a new file named hexaseqs_crlf.list but on the Save As dialog switch

the Line Ending option to Windows.

Try these commands in order:

file hexaseqs.list hexaseqs_crlf.list

ls -l hexaseqs.list hexaseqs_crlf.list

Note the difference in file sizes in the fourth column

cat hexaseqs.list

cat hexaseqs_crlf.list

cat -A hexaseqs.list

cat -A hexaseqs_crlf.list

Now run these.  Remember that the in a filename is a shorthand to match multiple files at once. Don’t 

worry about the specific meaning of the sed command but do ensure you type it exactly like as shown.

sed -i “s/\r//” hexaseqs*.list

file hexaseqs*.list

In summary:

The line endings problem is a historical annoyance that won’t go away.

The file and cat -A commands are the quickest ways to detect troublesome CRLF line endings.

Using Gedit and saving with the Unix/Linux mode is the simplest and safest way to remove 
them.

The command shown above using sed (sed is a handy tool but we don’t really have time to cover
it in this course) can quickly strip all the CR characters from multiple files in one go.  It’s safe to
run this on any regular text file, but if you run it on, say, and Excel file or an image or a .zip or 
.tar.gz file then the file will effectively be destroyed.

Copying files

The basic command used to copy files using the command line is cp. At a minimum, you must specify two 
arguments: the name of the file to be copied, and where you wish to copy the file to.

The main things to know about using the cp command are:

if you provide the name of an existing directory as the second argument, the file named in the first 
argument will be copied into that directory.

otherwise, it will be assumed that the second argument is the new name to be used for the copy you 
are making, whether the name corresponds to an existing file or not

if you provide more than two arguments to cp, the final argument needs to be the name of a directory
that already exists and all the preceding arguments need to be files that will be copied to the 
directory

Examples (try these in the bioinf_files folder if you like, or go straight on to 1-12):

cp unknown.fasta my_new_file.fasta   - clones unknown.fasta with the new name my_new_file.fasta

22


cp  unknown.fasta my_new_directory  - probably not what you wanted! It just makes another file.

mkdir an_actual_directory
cp  unknown.fasta  an_actual_directory - copy unknown.fasta into an_actual_directory you just made

cp *.embl an_actual_directory -  copy all the .embl files into the new directory in one go

To  copy whole directories, with all the subfiles and subdirectories, use the –R option, (meaning recursive). 

cp –R  an_actual_directory foo copy directory and its contents as a new directory, foo

The Linux shorthand for “this directory right here” (a dot  .  ) and “the parent directory” ( .. ) comes in handy 
when copying:

cd foo
cp –R ../blastdb  .

copy blastdb from the directory above and put the copy here in foo

Make sure you leave a space between the directory name and the final dot. 

Also useful is the shorthand for someone’s home account. e.g. instead of having to know and type the 
location of their account, you can use ~username  In the case of your own account, you use just the 
symbol, followed by a   / if you want to specify any subdirectories in your account.

(note the next two examples don’t work on the demo system as the files are not in place)

cp   ~user2/somefile  .

copy the file somefile from user2’s home directory  to my
current working directory. Note that you need the appropriate
permissions to do this!

cp   ~/Documents/mytext  .      copy the file or directory called mytext from within my Documents

 

directory to my current working directory.

Exercise 1-12

Move into your directory testdir from exercise 1-8.

List the files in this directory.

Make a copy of myfirstfile.txt called test.txt

Make a copy of mythirdfile.txt called  myfourthfile.txt.

Make a directory called subdir.

Copy mysecondfile.txt into subdir

Copy all the files that have the letters fil in the name into the subdir directory.

Move back into the bioinf_files directory

Copy all the files that start with the letters tes and end in .embl into the directory subdir.

Linking to files
Sometimes you want to access a file or directory at a different location but you don’t actually want to copy it.
For example if you have a data file in a system folder or network drive that you want to be able to access 
quickly from your desktop, but you don’t actually want the entire file to be copied to your desktop folder:

23


  ln -s  /usr/local/bioinf/sampledata/nucleotide_seqs/multiple_seqs.fasta  ~/Desktop/multiple.fasta

     

If you now try to open multiple.fasta in any application (eg. Gedit), you will see the data from the linked file 
as if you accessed it directly.  If you write to the link you will be writing data straight to the original file (but 
in this case you will not have permission to do so).

You can examine links using the long output mode of ls.

ls -l ~/Desktop/multiple.fasta

lrwxrwxrwx 1 live live 35 2011-05-12 11:46 

/home/live/Desktop/multiple.fasta ->

/usr/local/bioinf/sampledata/nucleotide_seqs/file1.fasta

The initial letter ’l’ shows we are dealing with a link.  Links do not have their own permission settings so ls 

shows them all as enabled, but links do have an owner depending on who created them.  The target of the 
link is shown last.  The target can be any file, directory or even another link.  Note that Linux will not stop 
you from making a link where the target is non-existent or inaccessible, but ls will help you to spot these 
“dangling links” by colouring them in red.

Removing files and directories

The key difference between deleting something from the command line and using the graphical file browser 
is that in the first case the file vanishes immediately, but in the second it will be stored for a while in the 
Rubbish Bin and can be retrieved.

Option 1: Using the command line (effect: deletes files from the system)
To remove a file or files, use the rm command followed by the name of the file(s) you wish to delete.

rm  file1
rm  file2  file3  file4
rm  foo/*

remove all files in foo but not the directory itself

To remove an empty directory, you can use the rmdir command:

rmdir  thisdir

If that directory contains any files, you will not able to delete the directory using rmdir until you have 
deleted all the files within it.  To delete a directory and all the files in it at the same time, use the rm 
command with the option -r (for recursive)

rm –r  fulldir

If you use the above command on Bio-Linux, you will be prompted to confirm that you wish to delete each 
file. While sometimes useful, this can be tedious. If you are certain that you want to delete all the files in that
directory, as well as the directory itself,  then you can combine the recursive flag with the force (-f) flag 

rm -rf anydir

So if you are 100% confident that you will never make a mistake, you can use rm -rf for all deletions, but 
for mere mortals it is good practice to use the more specific commands, as this can mitigate mistakes.

Option 2: Using the File Browser (effect: moves files into the Rubbish Bin)
If you are in the graphical file browser, just find the file you wish to remove, right click on it and choose the 
Move to Rubbish Bin option or else press the Delete key on the keyboard. Note that this file will not be 

24


removed from your system, only hidden, and can be retrieved via the Rubbish Bin icon in the bottom right of
the screen.

If you were deleting the file to make space, you now have to empty it from the Rubbish Bin to actually get 
the disk space back.  You can remove the file permanently in one go by holding down the Shift key on your 
keyboard and while keeping this key depressed, pressing the Delete key. A message box will pop up asking 
you to confirm that you really wish to permanently delete your file.

Exercise 1-13

Move into the testdir directory.

Delete mythirdfile.txt using the command line

Delete myfourthfile.txt using the graphical file browser.  Is the files now sitting in the Rubbish Bin?

Back on the command line, move back into your Home directory.

Then delete myfirstfile.txt from testdir without moving back to the testdir directory.

Delete the entire testdir/subdir directory without being prompted about the deletion of each file 

individually.

Redirecting output to files
You have seen how the 'cat command can take the contents of a file and put it straight into the terminal, but 
we can also do what is essentially the opposite and capture output that would normally go to the terminal and
put it in a file.  This is done by the redirection operator >.  For example:

ls > file_list.txt

In this case the output of ls will not appear on the screen but you will see a new file called file_list.txt.  If 
you cat this file or open it in gedit you’ll see the file list.  Note that the result is no longer coloured, as there 
is no way to represent colour information in a plain text file, and has been formatted into a single column list,
but otherwise is identical.

25

  Notes on Reading, Copying and Removing Files and Directories

On Bio-Linux the commands cpmv and rm have been aliased to cp –i , mv –i  and rm –i  respectively. 

This means the system will ask you if you really mean to overwrite files should the situation arise with cp or 
mv, or delete the file you have just asked to delete when using rm. You must respond with a y or Y if you do 
wish to proceed. Hitting any other key will cause the action you requested to be ignored. 

You cannot assume that any other Linux/Unix systems you work on will be configured this way, but you can 
always set these settings yourself.


Piping output between applications

A remarkably powerful facility on the Linux command line is the ability to take the output of one command 
and use it directly as the input to another command.  This is referred to as piping the output of one command
into another command.

The vertical bar symbol used for this is called a pipe and looks like:    |

Standard UK PC keyboards have the pipe symbol on the same key as the backslash symbol, at the bottom, 
left hand side of the keyboard. So pressing the Shift key and the backslash key together will give you the 
pipe symbol.
On some keyboards, the pipe symbol is at the top left hand side, on the same key as the backtick. To type a 
pipe symbol on such keyboards, hold down the key Alt Gr and hit the back tick ( ) key (left of the number 
1 key).

An example of when you want to use a pipe would be if you wanted to list all the files in a directory, but 
there are too many to fit on a single page. You probably saw this when you listed the contents of /usr/bin 
back in Ex. 1-4. 

You can pipe the output of the ls command (a list of files) into the less command, which will allow you to 
view the list page by page. To list the files in /usr/bin and view them page by page, the command would be:

ls  /usr/bin  |   less

Another useful command to use with pipes is the wc command, which stands for wordcount. By default, wc 
returns the number of newlines, words and bytes in a file. Or you can tell wc to return just the number of 
lines by using the -l parameter (see the manpage for wc). 

For example, you could find out how many files you had in a directory by typing:

ls  |  wc -l

26


Diff, Grep and Sort

In this section, we look briefly at three very useful commands: diffgrep and sort. As with all the commands
covered today, we recommend that you read the manual page for more information about how these work 
and what options are available.

Diff
diff  compares files line by line and reports the differences between the files. In fact, diff can be used for 
more involved tasks as well, like comparing the contents of directories. This can be very useful when you are
looking for changes that you or someone else has made. 

Exercise 1-14

Move into the testdir directory.

Type diff test.txt  mysecondfile.txt  to see what diff reports to you.

Type  cat  mysecondfile.txt |  diff  -  test.txt

In the above command the hyphen (-) refers to the information being given to diff through the pipe. That is,
the information resulting from the command cat mysecondfile.txt is put directly into the diff command. 
Obviously, in this instance it would be easier just to give the name of the file, mysecondfile.txt, but there 
are many instances where being able to use – to mean “what I am sending in via the pipe” can be useful.

Grep
grep stands for global regular expression print; you use this command to search for text patterns in a file 
(or any stream of text).  Eg try this.

grep  “adge”  /usr/share/dict/words

You can also use flexible search terms, known as regular expressions, in your grep searches. You have 
already used glob pattern expressions in this practical, but regular expressions are somewhat different and 
more powerful. For example, when you listed all files with the pattern tes*embl* you were using a glob 
pattern comprising explicit characters (e.g. tes) and special symbols (meaning any character or characters). 
The equivalent in grep would be “tes.*embl.*” where the period signifies any single character and the * 
signifies any number of repeats.  

Therefore to convert from a shell glob pattern to a regular expression replace each * with .* and each with .
.  You also need to enclose the expression in quotes to tell the shell not to try and interpret it as a glob.

Unmodified glob patterns fed to grep but will not work as intended.  For example the pattern tes* in grep 
means te followed by any number of s characters in sequence (te, tes, tess, tesss, …).  The question mark 
now signifies optionality – so tes? means te followed by zero or one s character (te, tes). Regular 
expressions are found in several places other than grep, most notably in the Perl scripting language. The full 
syntax is extensive and powerful but is beyond the scope of this course, so back to the grep command itself…

grep requires a regular expression pattern as a parameter, and prints all the lines in a file containing that 
pattern.

grep is especially useful in combination with pipes as you can filter the results of other commands. 

For example, perhaps you only want to see only the information in an EMBL file relating to the origin of the 
sequence, that is, the DE line. You do not need to search the file in an editor, you can just grep for lines 
beginning in DE, as in the next exercise.

27


Exercise 1-15

While in the bioinf_files directory, type the command:  grep “DE” hsy14768.embl

What is this command doing? 

Can you see why the above command results in the output you see? 
An explanation of this command can be found below this exercise box. 

Try the commands: grep “^DE” hsy14768.embl   and   grep -x “DE.*”  hsy14768.embl

What are the ^ symbol and the -x parameter in these commands doing?

Check the manpage for grep to be sure.

Try the command: cat hsy14768.embl | grep “^DE”.  Does that do what you expected?

Move to your home directory and type ls –lR

Read the manual page for ls if it is not clear what this command returns.

Use the above command with a pipe and a grep command to search for files created or 

modified today. 

List the files in the bioinf_files directory and use the grep command to look for those containing the 

characters d4

The first command in the previous  exercise searches all the text in the hsy14768.embl file and returns the 
lines in which it finds the letter D followed by the letter E. 

The second command in the exercise also returns lines in the file that have a letter D followed by a letter E, 
but only where DE is found at the beginning of a line. This is because the ^ symbol means “match at the 
beginning of a line”.  The $ symbol can be used similarly to mean “at the end of a line”.  These are known as
anchors.  Passing the -x flag to grep tells it to automatically anchor both ends of the search pattern.

What this anchoring does in the example above is return to you just the organism information in the embl 
file. This is because none of the other lines returned in the previous command started with DE, they just 
contained DE somewhere in them.  This is an example where knowing how information is stored in an given 
file, along with a few basic Linux commands, allows you to retrieve information quickly.

Another common example is counting how many sequences are in a set of multi-fasta files. We can do this 
with pipes between the commands catgrep and the ever-handy wc, which here we use to count lines found 
by grep.

cat *seqs.fasta  |   grep “^>”  |  wc  -l

Each sequence in a fasta file starts with a header line that begins with a . The above command streams the 
contents of all files matching the glob pattern *seqs.fasta through a search with grep looking for lines that 
start with the symbol > .   The quotes around the pattern ^> are necessary, as otherwise it is interpreted as a 
request for redirection of output to a file, rather than as a character to look for.  As before, the ^  symbol 
means “match only at the beginning of the line”. 

The output of this grep search is sent to the wc command, with the  -l  indicating that you want to know the 
number of lines – ie. the number of headers and by implication the number of sequences. 

So a synopsis of the command above is:  Read through all files with names ending seqs.fasta and look for all
the header lines in the combined output, then count up those lines that matched and return the number to 
screen.

We cover sequence formats later on in part 2 of the tutorial. 

28


Environment Variables

We have seen that the way commands run can be modified by the options passed on the command line.  
Some commands also read values called environment variables which affect their behaviour.  Environmental 
variables are set within the shell via the export command and are passed to any processes you run.  This is 
useful when you want to set some parameter that is common to all invocations of a command, or applies 
across several commands.  For example, your favourite text editor may be, say, Gedit, or Nano, or Vim, or 
Emacs.  In the shell you can say:

export EDITOR=vim

Now any command that wants to run a text editor knows what your preferred editor is.  Within the shell you 
can get at the current value of en environment variable by prefixing it with a sign, eg.

echo $EDITOR  

prints the current value of the EDITOR environment variable to the screen

The printenv command dumps all environment variables.  Note that environment variables are only set in 
the current shell and are not saved by default, so if you run a command in another terminal or close and 
restart the terminal any values you set will be lost.  For information on making the settings permanent by 
editing your .zshrc file see the user guide under Supported Shells.

Exercise 1-16

Give the command:  export  VAR1=hello (with no spaces around the = sign) then:

echo $VAR1

echo $  VAR1

echo “$VAR1”

echo ’$VAR1’

Start a new terminal window by typing: gnome-terminal &

Within this new terminal: echo $VAR1

Start a second new terminal by right-clicking the icon in the Dash and selecting New Terminal

Within this new shell: echo $VAR1

Go back to the original shell window

unset VAR1

echo $VAR1

Has this affected either of the other two shells you started?  Check them:

echo $VAR1

Environment variables are inherited when one process starts another, much like genetic material is inherited 
when a cell divides.  Hopefully this explains the behaviour you see in the exercise above.  When you start a 
terminal from en existing shell it inherits the environment from that shell.  When you start one from the 
system menu it inherits just the base system environment.  Furthermore, once a program is running no 
external program can modify its environment variables.

29


Changing permissions on files and directories

Every file on the system has a set of permissions on it that dictate who on the system can read, change or 
delete, or execute the file. By default, all the files you create in your account are readable, changeable or 
executable by you. However, you can grant other users permissions to access parts of your account if you 
wish.

Below is some basic information about file permissions.  Since there is only one user on the live system this 
isn’t really relevant to your current setup. If you are working on a shared system and want to set up access to 
your files for other people on the system, please get advice from your system administrator.

The command to change permissions is chmod. You have to specify who you are modifying the permissions 
of, what the new permissions are, and what file or directory to act on.

The format of the chmod command is:

chmod  who ± permissions   filename(s)

who can be:

u 

means user and refers to the owner of the file  

means group, and refers to the group the file belongs to

o 

means others, everyone on your systems apart from those above

means all three, i.e. user, group and others

permissions can be:

means read permission

means write permission

means execute permission

Each user has a default group and possibly extra group memberships.  Use the id command to view your 
group memberships.  When you create a new file it will be owned by you and by your default group.  If you 
are a member of additional groups, you can switch the file to any of those groups using the chgrp command.
(Please refer to the manual pages for the commands chown, chgrp and chmod for more on this topic.)

For simplicity, let us assume that you and a co-worker have both been put in the default group labusers and 
wish to share your data files found in ~/bioinf_files.

chmod a+x ~ 

give permission to anyone to execute, in this case, so 

that they can move through, your home directory.

chmod g+rx  ~/bioinf_files 

give permission to people in the group to access files in the 
bioinf_files directory under your home directory, including
listing the files with ls

chmod g+r ~/bioinf_files/*

give permission to people in the group to read the files in the 

directory 

The first command could have been “chmod g+x ~”.  This would unlock your home directory only to users 
in the labusers group.  However, enabling access for anyone is generally safe, as long as permissions on the 
files and subfolders prevent anyone from actually accessing them, and unless you set a+w in addition to a+x 
nobody but you will be able to list the files in your home directory.

30


Some other useful information

Copying and pasting text
Most Linux applications, including the shell terminal windows, have Copy and Paste options in the Edit 
menu or available in the pop-up menu when you click the right mouse button.  You can copy text within 

the application or between different applications.  There is also a quick way to copy text within the 
terminal by highlighting text to select it, and using the middle mouse button to paste the text.

The exact way to select, copy and paste text from within a terminal windows depends on how your mouse 
has been set up.  Normally you would highlight text by dragging the mouse across it with your left mouse 
button depressed to copy the text, and paste by clicking the middle mouse button (or the two outer mouse 
buttons pressed simultaneously).  Note that within the terminal it doesn’t matter where you click the middle 
mouse button – the text will always be inserted at the current cursor position.

The simple way to stop a process
Sometimes a command or program you run in the terminal goes on too long, or is obviously doing something
you did not plan. If  there is  no obvious way  (such as a menu option or button) to stop the program running, 
try using Control and (more commonly written as Ctrl-c). i.e. hold down the Control key and hit the c 
key.  This requests the program to stop immediately, though the program may ignore the request.

Note that this is the same key combination used in most graphical applications for copying text. Remember

that highlighting text in a Linux terminal automatically copies it into the buffer – you don’t need to press

Ctrl-c before pasting with the middle button.

Putting a command to one side
Sometimes, you are in the middle of typing a long command, and you suddenly realise you need to do 
something else in the terminal, like list the current directory contents or check the manpage, before you run 
the command.  Z-shell provides a handy shortcut for this: Alt-q.  When you press Alt-q the current 
command disappears and you have a new empty prompt, but the unfinished command has been remembered 
and will reappear with the next prompt ready for you to edit and run it.
An alternative is to hit Ctrl-c.  Within the shell,  Ctrl-c does not cause the shell to exit but it does cause the 
current command to be abandoned and a fresh prompt to appear.  Unlike with Alt-q the unfinished command
will still be visible in the terminal display so you can select it and paste it back in with the middle button if 
you decide you want it after all. (Try it!)

Logging out of a session
To logout, you can press the Power Icon on the far right of the top taskbar (Figure 2) and choose the Log 
Out option. 
To shut down the machine, you can choose the Shut Down option on the same menu. If you are working on 
the console of a machine with users apart from you, then please check with your system administrator before 
powering down the machine. Other people might want to log in remotely.

Clearing your terminal of text
Your terminal windows can fill up with lots of text, and it can become difficult to see the information you 
want because of all the clutter.  You can clear the terminal window by typing

clear

31


Accessing a running program or working with others interactively

If you just run a job and then close down the terminal you ran it from, normally the job will be terminated. It 
would be nice to be able to leave a long job running and be able to log out and then log back in again to see 
how it is progressing.  This is especially true if you log in remotely via SSH and experience network 
disruptions, or if you run programs that can take quite a long time, but ask you for input periodically. 

Luckily, there is a tool that makes it possible to leave programs running with no danger of them terminating 
if you log off or your terminal is closed. In addition, when you log back into your system, either locally or 
remotely, you can “re-attach” to your earlier session so it feels like you are picking up where you  left off, in 
the same window you were running your program from. 

The utility that allows you to  do this is called screen. It must be run before you start running other programs
in your window. Screen can also allow two people on different machines to work in the same session – i.e. 
Real time collaborative editing is possible with screen.

Unfortunately, how to work with screen is beyond the scope of this course. However, the link below provides
a useful beginners tutorial about screen and multi-user sessions:

https://www.linode.com/docs/networking/ssh/using-gnu-screen-to-manage-persistent-terminal-

sessions#screen-basics

An extensive list of command options can be found in the screen manpage (ie. type man screen).

Accessing your machine – including a full graphical desktop - remotely

Bio-Linux is set up for secure remote access.  We can’t demonstrate this on the Live system but it is well 
worth knowing that if you have an installed Bio-Linux system you can connect to it securely over the 
network, so long as your account is enabled in the ssh group and you have network access to the machine (ie.
not blocked by a site firewall)

You can connect to your (installed) Bio-Linux system remotely using X2Go software. If you download an 
X2Go client to another Windows, Linux or Mac system, you can connect to an installed Bio-Linux system 
and run a full, graphical, desktop session remotely. Further details on how to do this can be found on the 
website at:

http://environmentalomics.org/bio-linux-remote-access

Note that due to limitations of the remote protocol, X2Go will use a fallback desktop “MATE” session which
is slightly different to the default “Unity” desktop environment described in this tutorial.

32

There are many useful commands available on Linux and we cannot begin to cover them in this course. We 

recommend that you consider buying a book to help you learn how to use Linux efficiently.


Part Two: Introduction to Bioinformatics on Bio-Linux  

This section of the tutorial introduces you to running bioinformatics software on Bio-Linux, including how 
to find out what is available for particular types of bioinformatics tasks, some options you have for running 
programs on the system, and where to find documentation about the software on the system. This course 
does not cover the detailed use or understanding of any particular piece of software.

You should read through the general information in the next few pages, then look at which specific programs
are of most interest to you.

The main points we hope you take away after completing this section of the tutorial are:

a) You can discover and run bioinformatics tools even if you have not explicitly been taught 

how to use them.

b) If you have repetitive tasks to carry out, chances are there are ways of fully or partially 

automating them.

c) Web interfaces are easy, and have certain benefits, but a competence with the command line 

gives you access to more possibilities and sometimes these will suit your needs better.

Documentation and Help for Bioinformatics Software on Bio-Linux

There are a number of  sources of information about the bioinformatics software on Bio-Linux, including 

Bio-Linux bioinformatics documentation

local copies of software documentation – look in /usr/share/doc

options under the help menus in some graphical programs

web pages

journal articles. 

Bio-Linux Bioinformatics Documentation

Categorised information about bioinformatics software on the Bio-Linux system can  be accessed  via the 
Bioinformatics Docs icon on the left hand side of your desktop. Software can be listed by name or by 
functional category. 

The information for each program includes an overview of what it does, with links to local documentation 
when available, as well as  links to information on the internet.

An apology – the Bioinformatics Docs are currently (in 2014) out-of-date and in severe need of

attention.  The plan is to integrate this catalogue with the ELIXIR tools registry but this work will

take many months to complete.

This notwithstanding, we highly recommend that you read the documentation for any programs

you intend to run. 

This is especially important for programs that use heuristic algorithms (methods involving some

level of approximation, such as BLAST), and those that output numerical results.

33


Exercise 2-1

Click on the Bio-Linux Documentation icon on the desktop, then on Bioinformatics Docs

Select a category under the Browse by Category section.

Click on the names of any of the programs that might interest you and view the information

in the resulting web page.

Return to the search form and click on the link to List all categories. This shows a view of 

all the documented software according to the functional category (or categories) they are listed 
in.

Please refer to the bioinformatics documentation throughout this tutorial to find out more about the 
programs introduced, or look on-line.  Most current software will have web pages and online resources
for users.  For example QIIME has a very active user community.

If you know of a good information resource for a program on Bio-Linux that is not mentioned in our 
bioinformatics documentation system, or you have any problems with the system, please let us know by 
emailing us athelpdesk@nebc.nerc.ac.uk. 

Help Functions within the Programs

Documentation is available from within many programs. For example, many graphical programs have a Help
menu or button; many command line programs provide help if you type the name of the program followed 
by  –h–help or –help. Some programs even have their own manual pages that can be accessed by typing 
man followed by the program name.

Example data for this tutorial

The sequences referred to in this tutorial can be unpacked from the file
/usr/local/bioinf/documentation/bio-linux/intro_course/bioinf_files.tar.gz.

If you have just done the associated Introduction to Linux tutorial, you will already have these files – please 
move on to the next section of the tutorial.

If you have joined the tutorial at this point, please refer to Exercise 1-1,  parts b, c and d to download and 
unpack the necessary sample data files.

For some parts you will also need qiime_tutorial_data.tar.gz,  mothur_tutorial_data.tar.gz  and 
assembly_taster.tar.xz which are available in the same directory.

34


Interface choices

Software can be run on the command line, via graphical programs on your computer, via web interfaces,  via 
web services and/or via scripts.  Bioinformatics programs can often be run using more than one of these 
options. Each type of interface has pros and cons. We have summarised some of these for reference below. 

Interface

Pros

Cons

Command line

Type out the command

and press enter

Fast to run once you know the program

Very flexible; usually many options

Repetitive tasks are easy to run or automate

Easy to log in remotely and carry out tasks

Have to learn the syntax

Have to find out what options are available

Prompted command

line

Type out the command

and respond to

prompts on screen

Easy to run; don’t have to remember the 
command line syntax

Easy to log in remotely and carry out tasks

Easy to forget the diversity of options for a 
program because of the temptation to just 
reply to prompts provided

Slower to get running than “pure” command 
line

Graphical interface

Start the program and

interact via menus 

Often more intuitive and visually pleasing 
than the command line

Extensive help is often available via a menu 
option or button

Some programs (not all!) can be run by 
clicking an icon in the Applications | 
Bioinformatics menu on your system.

Appropriate for visual tasks such as 
alignment editing, detailed annotation 
checking, etc.

Can be slower to use than the command line, 
especially for repetitive tasks

For some programs, the command line 
version provides more functionality.

You may need your system admin to set up 
programs so that you can run graphical 
programs when logging in remotely

Web interface

Run via a web browser

window, usually at a

remote site

Usually intuitive

Can provide functionality not available via 
locally-run programs such as access to 
important data resources or results presented 
in useful formats, e.g. including links to 
related data resources, graphics, etc.

Some websites allow a certain degree of 
“pipelining”, where the outputs of one 
program can  intuitively be supplied as input 
to another.

Can be slow to use relative to the command 
line, especially for repetitive tasks

You are subject to the rules and restrictions 
of the site you are working on (e.g. data 
volume, number of tasks, options available, 
etc.)

You may not want to send private data over 
the internet (e.g. if you are applying for a 
patent?)

You can be subject to the whims of network 
connectivity

35


Web services

Runs tasks over the

internet  from a

program, usually

locally installed or run

via java webstart. 

Can bring together the ease of a locally run 
program with the data and computing 
resources of a remote site

Can be used via graphical programs or scripts

You are dependent on network connectivity 

You are dependent on the consistency of the 
remote server where the functions you need 
are running

You are dependent on the functionality the 
remote site offers; this may not be as 
extensive as the functionality you get locally 
for some programs.

Scripts

Using a small

program that runs a

program or programs

for you

Very flexible 

Great for automating tasks

Great for carrying out customised tasks

Straightforward to learn enough to alter 
existing scripts to do exactly the task you 
want.

You have to write the script or find a script 
that does the job. This means learning a 
programming language (or asking someone 
who knows one to help you)

  

General points about working with bioinformatics programs

Sequence formats

A simple thing that often trips people up is sequence formats.  There are many different sequence formats; 
the reasons for this are both historical and functional.

Historically, when people first started writing analysis programs for molecular data, they designed a format 
that they felt suited their needs. As time went on, numerous formats came into existence. We live with the 
legacy of this. We must know what format our data is in, and whether the program we want to run can use 
data in that format.

Functionally, a program may require information that can be included with data held in certain formats, but 
not others. For example, EMBL format files can, in addition to the sequence data itself, contain descriptive 
information about a sequence, such as its features. In contrast, plain format contains nothing inside the file 
except the sequence data, while FASTA format allows a small amount of information about a sequence to be 
given in a header line and FASTQ adds read quality information alongside the sequence. Clustal and msf 
formats handle multiple aligned sequences, while  phylip and nexus format files contain aligned sequences as
well as information relevant to phylogenetic analysis programs.

36

For repetitive tasks, we highly recommend the use of the command line, workflow software and/or scripting.

To analyse data, it must be presented to the analysis program in a format the progam 

understands.

This seems obvious, but frequent errors (or worse, misleading results) occur when the data entered into 

a program is not appropriate. 


Converting files to different sequence formats used  to be a frequent, and often time consuming, task in 
bioinformatics. Luckily there are file conversion programs that take care of this easily for many formats. In 
addition, many program understand more than one format. 

Some common bioinformatics sequence formats, along with common filename conventions used for those 
formats,  are listed in the table that follows the next section. 

We recommend the following page for more information and examples of common bioinformatics file 
formats:

http://www.molecularevolution.org/resources/fileformats

File naming conventions in bioinformatics

The suffix, (the part of the filename after the final dot), is often used to denote to you, and other people, what
the format of the data inside the file is. 

For example, the common suffix for clustal formatted alignments is aln. .A bioinformatics file that ends in 
.aln is usually assumed to be a clustal formatted alignment file.  

Another multiple sequence alignment format is  phylip. A common suffix used on files containing sequences 
in phylip format is phy.  

Common suffices used for files containing data in particular formats are listed in the table following this 
section. We highly recommend that you follow conventions when naming your data files. 

Benefits to following the convention for filename endings include:

You will know your data format just by looking at the name of the file.

Following standard conventions, (rather than making up your own naming system), makes it 

easier for other people looking at your files, (e.g. collaborators, or people helping you); they will 
know the data format just by looking at the name.

Some graphical programs have filters set so that only files with particular suffices will be 

listed in the file browser window when you try to load some data. If you use conventional 
filename endings, this is less likely to cause problems for you.

Certain programs use information in the filename to interpret aspects of the data, (not just the data format). 
Such programs have strict naming conventions for the whole filename. For example, some sequence 
assembly programs either require, or are benefited by, defined naming schemes for sequence traces. The 
filename will inform them about which sequences are read pairs, what direction sequence reads are in, and 
other information relevant to assembly or visualisation. You will need to read the program documentation to 
find out what is required in such instances. 

37

You are not restricted to naming your files in any particular way but we highly recommend that you 

follow the convention for the type of file you are generating/saving.

Following file naming conventions from the beginning will save you, and your collaborators,

 a lot of time!


Common bioinformatics file formats

Format

Some common

filename endings

Comments

Embl or

swissprot

.dat
.embl
.sprot
.swiss

Usually these files, along with genbank files, contain feature information 
as well as sequence. 

Embl and Swisprot (or Uniprot) format are the same. Embl files contains 
nucleotide sequences and Uniprot files contain peptide sequences.

Files downloaded from EMBL or Uniprot websites use the suffix .dat. 
Often these are compressed with gzip, and so end in .dat.gz

Files generated by individuals in embl format will tend to end in .embl. 

Genbank

.seq
.gb
.genbank

These files, along with embl and swissprot files, usually contain feature 
information as well as sequence.

Individuals using this format, usually use the .gb or .genbank suffix. The 
NCBI usually uses .seq for genbank sections.

FASTA

.fasta
.fsa
.fa

Possibly the most common sequence format. 

It may contain nucleotide or peptide sequence(s) and a single-line header 
per sequence.

FASTQ

.fastq
.fq

Very common for NextGen reads.  Like FASTA with extra quality info 
per sequence.
Alternative extensions may indicate the type of sequencing technology 
- .fastqsanger, .fastqsolexa, etc.

Plain

.pln
.staden
.sdn

Not commonly used, as the file contents contain nothing but the sequence
itself; the only identifier of the sequence is in the filename.

Staden programs use the plain format, accounting for the last two of the 
file suffices given.

Clustal

.aln

Multiple sequence alignment format

Originally from the clustalw program, but now recognised by many 
programs that accept or output multiple sequence alignments.

Phylip

.phy
.phylip

Multiple sequence alignment format

Used by the Phylip suite of programs and many others, especially those 
associated with phylogenetic analysis.

Msf

.msf

Multiple sequence  alignment format

This was the standard output format from some of the suite of programs 
called GCG. The format is still sometimes used.

Other multiple alignment formats are more generally used and thus are 
often a better option to choose if you have a choice.

Nexus

.nxs
.nex

Multiple sequence  alignment format

Used by a number of phylogenetics programs. 

GFF

.gff

A format for describing genes and other features associated with DNA, 
RNA and Protein sequences. Not generally used as input for analyses.

38


Naming files and the danger of over-writing previous results

Many programs will suggest a name for your results file. Sometimes this name is generated by taking the 
beginning of the name of your input file, and adding a new suffix. However, sometimes it is just a generic 
name like prettyplot.ps or clustalw.aln. We encourage you to change generic names to something 
meaningful.

Apart from the fact that filenames like prettyplot.ps give you little idea what is in the file, if you do not 
change the name, the next time a file of the same name is generated, you will overwrite previous results.

A common problem: what is a text file and what is not

If you didn’t work through the section on text files in part 1 we suggest you do so now.  This part reiterates 
the key points.

Sequence data are usually stored in text or binary files. Text files contain data you can look at in a text editor.
Binary files are not human readable. The file formats referred to in the table above are all text formats. 
Examples of binary formats include ABI sequences and SFF sequence files.

Word documents may look like text, but they aren’t. The letters you see on the page of a Word document 
(or OpenOffice Write, or other word processing programs) are stored along with layout data in a binary 
format.

Most sequence analysis programs expect text. Plain old, nothing fancy, text.

It is an unusual situation to need to use sequence data that has been stored as a Word document (if it is not 
unusual to you, you are probably doing things the hard way!).  To get a text document when using Word, 
save it as text only

39

Rule of thumb

If you are using Word or any other word processing program at any stage your work with sequences, then it is 
very likely that your life could be made a lot easier. 

Please seek advice about other ways to handle your data. You will almost certainly save yourself time and 
frustration. Honest.


Exercise 2-2a

A useful Linux command to find out what type of file you are dealing with is file.  This does not 
look at the filename but interrogates the file contents directly.

In your bioinf_files directory is the file example.xls. Move into your bioinf_files directory 

if you are not already there and try running the command

file  example.xls

 In the bioinf_files directory is a file called testseq1.embl. Try running the command

file  testseq1.embl

GZipped files in bioinformatics
gzip is a simple compression program, which you met right at the start of this course when you unpacked a 
.tar.gz file.  Any file can be compressed with gzip and .fastq.gz is now particularly popular as it saves a lot of
disk space.  Some programs deal with .fastq.gz files directly, but for others you have to gunzip them first.  
You can unpack the file on disk or use pipe syntax to feed it directly to your application.  The zcat command 
prints out the uncompressed contents of a gzipped file, so something like 

  zcat some_file.fastq.gz | some_app -

will work in many situations.  Remember that the “–” by convention tells the application to process the data 
received via the pipe.  This way you never have to store the big uncompressed file on disk.

bzip2 and xz are similar compression programs.  The tools bunzip2/bzcat and unxz/xzcat  are provided to 
unpack these files from the command line, but if in doubt just click on the file in the File Browser.  The 
graphical File Roller application will know how to unpack these and more file types.

40


Examples of running bioinformatics programs on Bio-Linux

Analysing sequences with QIIME

QIIME (pronounced ‘chime’) is a pipeline for performing microbial community analysis that 
integrates many third party tools which have become standard in the field. QIIME can run on a 
laptop, a supercomputer, and systems in between such as multicore desktops. QIIME is now 
included in the standard Bio-Linux distribution. 

As an example, we will use data from a study of the response of mouse gut microbial communities 
to fasting (Crawford et al., 2009). To make this tutorial run quickly on a personal computer, we will 
use a subset of the data generated from 5 animals kept on the control ad libitum fed diet, and 4 
animals fasted for 24 hours before sacrifice. At the end of our tutorial, we will be able to compare 
the community structure of control vs. fasted animals. In particular, we will be able to compare 
taxonomic profiles for each sample type, differences in diversity metrics within the samples and 
between the groups, and perform comparative clustering analysis to look for overall differences in 
the samples.

To process our data, we will perform the following steps, each of which is described in more detail 
in the Data Analysis Steps:

 Filter the sequence reads for quality and assign multiplexed reads to starting samples by 

nucleotide barcode.

 Pick Operational Taxonomic Units (OTUs) based on sequence similarity within the reads, and 

pick a representative sequence from each OTU.

 Assign the OTU to a taxonomic identity using reference databases.
 Align the OTU sequences and create a phylogenetic tree.

 Calculate diversity metrics for each sample and compare the types of communities, using the 

taxonomic and phylogenetic assignments.

 Generate UPGMA and PCoA plots to visually depict the differences between the samples, and 

dynamically work with these graphs to generate publication quality figures.

 What follows is a streamlined version of the exemplary tutorial provided by QIIME (which can be 
found athttp://qiime.sourceforge.net/tutorials/tutorial.html). Further details and parameters on the 
below commands and many more can be found at this site.

The material was compiled and adapted by Daniel Pass, School of Biosciences, University of 
Cardiff, for Bio-Linux courses June 2011.  Editorialised for QIIME 1.6 by Tim Booth, NEBC.

QIIME allows analysis of high-throughput community sequencing data
J Gregory Caporaso, Justin Kuczynski, Jesse Stombaugh, Kyle Bittinger, Frederic D Bushman, 
Elizabeth K Costello, Noah Fierer, Antonio Gonzalez Pena, Julia K Goodrich, Jeffrey I Gordon, 
Gavin A Huttley, Scott T Kelley, Dan Knights, Jeremy E Koenig, Ruth E Ley, Catherine A Lozupone,
Daniel McDonald, Brian D Muegge, Meg Pirrung, Jens Reeder, Joel R Sevinsky, Peter J 
Turnbaugh, William A Walters, Jeremy Widmann, Tanya Yatsunenko, Jesse Zaneveld and Rob 
Knight; Nature Methods, 2010; doi:10.1038/nmeth.f.303

41


Note:  Commands to type are shown in grey boxes like this.  Some commands in QIIME are too 
long to print on one line, so where you see  , you need to continue typing the command on the 

same line.

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd

tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/qiime_tutorial_data.tar.gz

Entering the directory (cd qiime_tutorial_data) and listing the files (ls) will show what was 
extracted:

Sequences (.fna)

This is the 454-machine generated FASTA file. 

Quality Scores (.qual)

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Mapping File (Tab-delimited .txt)

The mapping file is generated by the user. This file contains all of the information about the 
samples necessary to perform the data analysis. At a minimum, the mapping file should 
contain the name of each sample, the barcode sequence used for each sample, the 
linker/primer sequence used to amplify the sample, and a Description column.

custom_parameters.txt

Structured file which can be customised to easily tune each analysis.

qiime_tutorial_commands_serial.sh

This is a script which will run all of the commands that we are about to see without user 
input.

Data

This directory contains the reference files required for alignment of the OTUs.

To begin working with QIIME, you must enter the QIIME shell by typing ‘qiime’ in your working 
directory. This has been successful if the prompt changes to end in ‘qiime >’.  The commands 
below will only be recognised within the special QIIME shell.

Assign Samples to Multiplex Reads
The first task is to assign the multiplex reads to samples based on their nucleotide barcode. Also, 
this step performs quality filtering based on the characteristics of each sequence, removing any low 
quality or ambiguous reads. The script for this step is split_libraries.py, but before running it we 
make a directory for all the output:

42


cd qiime_tutorial_data
pwd

#This should show we are in qiime_tutorial_data

mkdir out

#This makes a directory for the results to go in

split_libraries.py -m Fasting_Map.txt -f Fasting_Example.fna -q Fasting_Example.qual -o split_library

This invocation will create three files in the new directory split_library/:

split_library_log.txt

This file contains the summary of splitting, including the number of reads detected for each 
sample and a brief summary of any reads that were removed due to quality considerations.

histograms.txt 

This tab delimited file shows the number of reads at regular size intervals before and after 
splitting the library.

seqs.fna

This is a fasta formatted file where each sequence is renamed according to the sample it 
came from. The header line also contains the name of the read in the input fasta file and 
information on any barcode errors that were corrected.

Processing sequences into OTUs 
There are several steps to go through to produce the annotated OTUs from the input sequences, 
however the following 5 steps can be called using the ‘pick_de_novo_otus’ command found at the 
end of this section.

1. Pick OTUs
Using the seqs.fna file generated from split_libraries.py, the sequences are clustered into 
Operational Taxonomic Units (OTUs) based on their sequence similarity. This basic command uses 
the default parameters: uclust matching, 0.97 sequence similarity, no reverse strand matching.

pick_otus.py -i split_library/seqs.fna -o out/uclust_picked_otus

2. Pick representative
Since each OTU may be made up of many sequences, we will pick a representative sequence for 
that OTU for downstream analysis. This representative sequence will be used for taxonomic 
identification of the OTU and phylogenetic alignment. (options: random, longest, most_abundant, 
first)

mkdir out/rep_set

#This makes a subdirectory to store the representative set

pick_rep_set.py -i out/uclust_picked_otus/seqs_otus.txt  -f  split_library/seqs.fna 

-o out/rep_set/seqs_rep_set.fasta  –rep_set_picking_method most_abundant 

3.  Assign taxonomy
You can compare your OTUs against a reference database of your choosing. For our example, we 
will use the default RDP classification system assignment method which comes ready with QIIME, 
however BLAST is also an option.

assign_taxonomy.py -i out/rep_set/seqs_rep_set.fasta -o out/rdp_assigned_taxonomy

43


4.  Make OTU table
Tabulates the number of times an OTU is found in each sample, and adds the taxonomic predictions
for each OTU in the last column if a taxonomy file is supplied.

make_otu_table.py -i out/uclust_picked_otus/seqs_otus.txt  

-t out/rdp_assigned_taxonomy/seqs_rep_set_tax_assignments.txt  -o out/otu_table.biom

5. Align sequences 
Alignments can either be generated de novo using programs such as MUSCLE, or through 
assignment to an existing alignment with tools like PyNAST. For small studies such as this tutorial, 
either method is possible. However, for studies involving many sequences (roughly, more than 
1000), the de novo aligners are very slow and assignment with PyNAST is preferred.

align_seqs.py  -i out/rep_set/seqs_rep_set.fasta -o out/pynast_aligned_seqs 

–alignment_method  pynast  -t data/core_set_aligned.imputed.fasta

6. Filter alignment command 
Before building the tree, the alignment must be filtered to remove columns comprised only of gaps.

filter_alignment.py -i out/pynast_aligned_seqs/seqs_rep_set_aligned.fasta 

-o out/pynast_aligned_seqs  –lane_mask_fp data/lanemask_in_1s_and_0s

7. Build phylogenetic tree command 
Produces a newick formatted tree file (.tre) which can be viewed using most tree visualization tools.
Method options: clearcut, clustalw, raxml, fasttree_v1, fasttree(default), muscle

make_phylogeny.py  -i out/pynast_aligned_seqs/seqs_rep_set_aligned_pfiltered.fasta -o out/rep_set.tre 

The above commands are integral to QIIME and further downstream analysis. Once their function 
and process is understood, the parameters can be set in the custom_parameters.txt file and run 
sequentially using the workflow script:

pick_de_novo_otus.py -i split_library/seqs.fna -p custom_parameters.txt -o out 
# Make sure you change the path in the custom_parameters.txt file before running this command

Data to information
QIIME has many different ways to visualize and interrogate the data. Here we will explore just a 
few.

Note: To open a HTML file type: 

firefox filename

44


Heatmap
The QIIME pipeline includes a very useful utility to generate images of the OTU table. You can 
open this file with any web browser, and will be prompted to enter a value for “Filter by Counts per 
OTU”. Only OTUs with total counts at or above this threshold will be displayed. The OTU heatmap
displays raw OTU counts per sample, where the counts are coloured based on the contribution of 
each OTU to the total OTU count present in that sample.

make_otu_heatmap_html.py -i out/otu_table.biom -o out/otu_heatmap

Taxonomy Summary Charts
The taxa of the samples can be visualised at each taxonomic level (see the' –L flag). 
Here, summarize_taxa.py produces a text file at the Phylum level (Level 2=Domain, 3=Phylum, 
4=Class, 5=Order, 6=Family, 7=Genus) and plot_taxa_summary.py produces the html output. 

summarize_taxa.py -i out/otu_table.biom -o out/taxa_summary -L 3 

plot_taxa_summary.py  -i out/taxa_summary/otu_table_L3.txt -l Phylum -o out/taxa_charts -k white

Diversity
Community ecologists typically describe the microbial diversity within their study. This diversity 
can be assessed within a sample (alpha diversity) or between a collection of samples (beta 
diversity).

Alpha
Alpha diversity will be calculated and displayed though using this workflow. The full list of metrics 
available can be found athttp://qiime.sourceforge.net/scripts/alpha_diversity_metrics.html. The 
html visualisation file can be found at ‘out/arare/alpha_rarefaction_plots/rarefaction_plots.html’ 

alpha_rarefaction.py -i out/otu_table.biom -m Fasting_Map.txt  -o out/arare  -p custom_parameters.txt  -t out/rep_set.tre

Beta
Beta diversity can be represented in many different ways, shown below. By rarefying the samples to
the smallest set (in this example dataset, 146 sequences) sample heterogeneity can be removed.
Firstly, 3d plots are generated using unifrac.

beta_diversity_through_plots.py -i out/otu_table.biom  -o out/bdiv_even146  -p custom_parameters.txt

-m Fasting_Map.txt  -t out/rep_set.tre -e 146

To view a 3d plot, navigate to the jar directory within the metric you wish to view 
(weighted/unweighted, continuous/discrete) and enter ‘java -jar jar/king.jar */*.kin’ where you can 
then view the output. The more traditional 2d plots are also generated by unifrac:

45


make_2d_plots.py -i out/bdiv_even146/unweighted_unifrac_pc.txt  -o out/bdiv_even146/unweighted_unifrac_2d

-m Fasting_Map.txt  -k white -p out/bdiv_even146/prefs.txt

These are easiest viewed through the html page: 
‘out/bdiv_even146/unweighted_unifrac_2d/unweighted_unifrac_pc_2D_PCoA_plots.html’

Inter-Sample Distance
Distance Histograms are a way to compare different categories and see which tend to have 
larger/smaller distances than others. 

make_distance_histograms.py -d out/bdiv_even146/unweighted_unifrac_dm.txt 

-m Fasting_Map.txt -o out/bdiv_even146/distance_histograms -p out/bdiv_even146/prefs.txt

The html is found at:
‘out/bdiv_even146/distance_histograms/unweighted_unifrac_dm_distance_histograms.html’

Jackknifing & UPGMA
To measure robustness of the sequencing effort, we perform a jackknifing analysis, wherein a small 
number of sequences are chosen at random from each sample, and the resulting UPGMA tree from 
this subset of data is compared with the tree representing the entire available data set. This produces
jackknifed weighted and unweighted 2d and 3d plots like above, and also jackknifed trees found in 
the out/jack/ directory.

jackknifed_beta_diversity.py -i out/otu_table.biom -o out/jack -p custom_parameters.txt

 -e 110 -t out/rep_set.tre -m Fasting_Map.txt

make_bootstrapped_tree.py -m out/jack/unweighted_unifrac/upgma_cmp/master_tree.tre -s

  

out/jack/unweighted_unifrac/upgma_cmp/jackknife_support.txt -o 

 

out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

evince out/jack/unweighted_unifrac/upgma_cmp/jackknife_named_nodes.pdf

A key feature of the QIIME interface is the ability to list the steps which you wish to run and have 
them sequentially performed by running them as a standard shell script. In the file 
qiime_tutorial_commands_serial.sh in your working qiime directory, you will find the commands
which we have just gone through. This can be called directly from the QIIME shell prompt and will 
produce the same output as we have achieved, with no user input. This can be edited, along with 
custom_parameters.txt to tune the analyses to your specific requirements. 

What is described above is a brief introduction to the type of analyses which QIIME can perform. 
Extensive details of the commands, parameters and metrics used can be found at 
http://www.qiime.org/scripts or through typing a QIIME command followed by ‘-help’ into the 
qiime shell prompt. 

46


Analysing sequences with MOTHUR

MOTHUR is another popular pipeline for performing microbial community analysis that integrates 
many third party tools which have become standard in the field. MOTHUR is included in the 
standard Bio-Linux distribution. 

As an example, we will use the same data used in the previous QIIME tutorial. Please refer to the 
previous QIIME tutorial for the description of the experiment and the data.

What follows is an adapted version of the exemplary tutorial provided by MOTHUR (which can be 
found athttp://www.mothur.org/wiki/Sogin_data_analysis). Further details and parameters on the 
below commands and many more can be found at this site. The material was compiled and adapted 
by Soon Gweon, NBAF.

Introducing mothur: Open-source, platform-independent, community-supported software for 
describing and comparing microbial communities. Schloss, P.D., et al.,  Appl Environ Microbiol, 
2009. 75(23):7537-41 

Preparation

First, we must copy the tutorial data to your home directory and extract it:

cd
tar  -xvzf /usr/local/bioinf/documentation/bio-linux/intro_course/mothur_tutorial_data.tar.gz
cd mothur_tutorial_data

Entering the directory (cd mothur_tutorial_data) and listing the files (ls) will show what was 
extracted:

Fasting_Example.fna

This is the 454-machine generated FASTA file. 

Fasting_Example.qual

This is the 454-machine generated quality score file, which contains a score for each base in 
each sequence included in the FASTA file. 

Fasting_Example.oligos

This is generated by the user. This file is used to provide barcodes and primers to 
MOTHUR.

data

This directory contains the reference files required for alignment of the OTUs.

To begin working with MOTHUR, you must enter the MOTHUR shell by typing ‘mothur’ in your 
working directory. This has been successful if the prompt changes to end in ‘mothur >’.  The 
commands below will only be recognised within the special MOTHUR shell.

47


mothur

Assign Samples to Multiplex Reads and Quality Filtering
First, we need to separate each sequence according to the barcode and primer combination. The first
task is to assign the multiplex reads to samples based on their nucleotide barcode using the 
information from oligos file. Also, this step screens sequences based on the quality file, truncating 
reads at where the quality score falls below the threshold. The script for this step is trim.seqs:

trim.seqs(fasta=Fasting_Example.fna, oligos=Fasting_Example.oligos, qfile=Fasting_Example.qual, qaverage=25, 
minlength=200, maxlength=1000) 

This creates five files in the current directory:

Fasting_Example.trim.fasta 

This is the processed fasta file.

Fasting_Example.trim.qual 

This is the precessed quality file.

Fasting_Example.scrap.fasta 

This file contains sequences which fell below the thresholds (below quality score of 25, 

shorter 

than 200 bps or longer than 1000 bps)

Fasting_Example.scrap.qual 

This is the quality file for the scrapped sequences.

Fasting_Example.groups

This is a two-column list with the first column indicating the sequence names of those 

sequences 

in the Fasting_Example.trim.fasta file and the second column the group that it came 

from.

Generating Alignment & Distance Matrix 
The first thing we want to do is to simplify the dataset by working with only the unique sequences.
We are not chucking anything here, we are just making the life of your CPU and RAM a bit easier.
We do this with the command: unique.seqs

unique.seqs(fasta=Fasting_Example.trim.fasta)

We then need to generate an alignment of our data using the align.seqs command by aligning it to 
SILVA-compatible alignment database reference alignment. Please note that this step can take 
awhile to complete.

align.seqs(fasta=Fasting_Example.trim.unique.fasta, reference=data/silva.bacteria.fasta, flip=T)

Next, we need to filter our alignment so that all of our sequences only overlap in the same region 
and remove any columns in the alignment that don’t contain data. We do this by running the 
filter.seqs command.

48


filter.seqs(fasta=Fasting_Example.trim.unique.align)

Next, we want to calculate the column-formatted distance matrix, but we are only interested in 
distances smaller than 0.15 at this stage. We will do this using dist.seqs command. 

dist.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, cutoff=0.15)

Classify Sequences
We then need to classify our sequences using the MOTHUR version of the “Bayesian” classifier. 
We do this with classify.seqs command using the SILVA-compatible reference file and taxonomy 
file(http://www.mothur.org/wiki/Silva_reference_alignment)

classify.seqs(fasta=Fasting_Example.trim.unique.filter.fasta, name=Fasting_Example.trim.names, 
template=data/silva.bacteria.fasta, taxonomy=data/silva.bacteria.silva.tax)

Renaming Files
This step is done only to make our life easier by making copies of some files and giving it nice and 
short names. The command system() allows you to run programs outside of MOTHUR without 
leaving the MOTHUR shell.

system(cp Fasting_Example.trim.unique.filter.fasta final.fasta)
system(cp Fasting_Example.trim.names final.names)
system(cp Fasting_Example.groups final.groups)
system(cp Fasting_Example.trim.unique.filter.dist final.dist)
system(cp Fasting_Example.trim.unique.filter.silva.wang..taxonomy final.taxonomy)

Clustering Sequences
Now we want to assign these sequences to OTUs for every possible distance up to and including a 
distance of 0.15. By default, this method uses the average neighbour algorithm.

cluster(column=final.dist, name=final.names, cutoff=0.15)

Generating OTU Table and Normalisation
Now that we have a list file, we need to create a table that indicates the number of times an OTU 
shows up in each sample. This is called a shared file and can be created using the make.shared 
command. We are only interested in the distance of 0.03 from the list file, so we give 0.03 to “label”
parameter.

make.shared(list=final.an.list, group=final.groups, label=0.03)

We then normalise the number of sequences in each sample. In order to do this, we need to know 
how many sequences are in each step. You can do this with the count.groups command.

49


count.groups()

From the output we see that the sample with the fewest sequences had 146 sequences in it, so we 
normalise all the samples to this number of sequences.

sub.sample(shared=final.an.shared, size=146)

Classifying OTU
The last thing we’d like to do is to get the taxonomy information for each of our OTUs. To do this 
we will use the classify.otu command to give us the majority consensus taxonomy.

classify.otu(list=final.an.list, name=final.names, taxonomy=final.taxonomy)

Converting the shared file to BIOM-format
The make.biom command allows you to convert your shared file to a biom file. Please refer to 
http://biom-format.org/documentation/biom_format.html for detail.

make.biom(shared=final.an.shared, contaxonomy=final.an.unique.cons.taxonomy)

Data to information
MOTHUR has many different ways to visualise and interrogate the data. Here we explore just a few.

Heatmap
Now we’d like to compare the membership and structure of the various samples using an OTU-
based approach. Let’s start by generating a heatmap of the relative abundance of each OTU across 
the 24 samples using the heatmap.bin command.

heatmap.bin(shared=final.an.shared)

The output will be in a SVG-formatted file called final.an.0.03.heatmap.bin.svg. In this heatmap, 
the red colors indicate communities that are more similar than those with black colors.

Venn Diagram
MOTHUR allows you to generate a Venn diagram with 'venn command. Let’s take a look at the 
Venn diagram for PC.354 and PC.355.

venn(shared=final.an.shared, groups=PC.354-PC.355)

This generates a file called final.an.0.03.sharedsobs.PC.354-PC.355.svg. To view the file, type the 
following in another terminal:

eog final.an.0.03.sharedsobs.PC.354-PC.355.svg

When generating Venn diagrams we are limited by the number of samples that we can analyze 
simultaneously. MOTHUR can generate up to 4-way Venn diagram:

50


venn(shared=final.an.shared, groups=PC.354-PC.355-PC.356-PC.481)

Finding and running useful scripts
Scripts are small programs written in a scripting language such as Perl or Python or even by compiling 
commands you’d run directly in the shell into a shell script file.  Unlike normal binary applications, the 
program files can be examined and edited directly using a text editor.  However, Linux is able to run these 
text files as if they were compiled programs by automatically invoking the appropriate interpreter named on 
the first line of the script – for example if the first line of a script says:

  1. !/usr/bin/perl

Then the script will be run using the Perl interpreter.  Writing scripts is beyond the scope of this course, but it
is useful to be able to run scripts that others have written.  

Exercise

http://nebc.nerc.ac.uk/tools/code-corner/scripts

Visit the above link, then find the “fastagrep” script located under [http://nebc.nerc.ac.uk/tools/code-corner/scripts/sequence-formatting-and-other-text-manipulation “Sequence Formatting and Other 
Text Manipulation”].  (If you don’t have a net connection there is also a copy in bioinf_files)

Make a folder called “scripts” in your home directory and save the file there.

In a terminal run the command chmod a+x scripts/fastagrep to tell Linux that this file is an 
executable script.

Type ~/scripts/fastagrep to actually run the script.  In this case you will see basic help.

Fastagrep is a script to help extracting sequences of interest form a multi-FASTA file by matching text in the 
header lines.  It is a FASTA-aware version of the standard Linux ’grep’ command introduced in part 1.  An 
example invocation of fastagrep in the case where the FASTA file has Uniprot-style headers would be:

~/scripts/fastagrep -F ’OS=Zea mays’ uniprot_sprot.fasta

Here, the -F flag specifies an exact text match and the ’OS=…’ syntax is specific to 
the headers used by Uniprot.

Tip: 

If you get a “permission denied” error when running the script, it normally means that you missed 
out the chmod a+x … part.

If you get a “bad interpreter” error it means that the interpreter named on the first line of the file 
cannot be found on the system.  You can always run the interpreter explicitly – eg. by typing perl 
scripts/fastagrep.

A practical exercise using fastagrep is included in the next section.

Aligning sequences using MUSCLE

Aligning multiple sequences is a very common task, as it is the first step to comparing related sequences.  
There are many algorithms for performing gapped global alignments over a set of sequences, most of which 
can be used on either nucleotide or peptide input.  Many web based tools offer to align sequences, for 
examplehttp://uniprot.org can align sequences retrieved from a search on the reference database, and 
additional sequences can also be uploaded and added to the alignment.  GUI applications like ClustalX and 
Jalview can call alignment applications like Clustal, MUSCLE, and MAFFT for you and display the results 
graphically.  

Sometimes you may want to run the alignment directly from the command line – reasons for this include:

51


You want to fine tune the options passed to the aligner

You want to use an aligner program that is not supported by the GUI or website you are using

You want to run the alignment remotely – for example on a powerful departmental server

You want to run several alignments at once using a loop or a short script

Exercise

Plants contain many closely related genes in the cellulose synthase family.  Previous studies have examined
these in some model organisms, eg maize[ref below].  It might be useful to compare the cellulose synthase 
genes in another plant of interest, or to align bacterial homologues against the plant genes.
For use in this exercise, the file all_cellulose_synthase.fasta in the example files directory 
contains all the reference cellulose synthase genes from Uniprot (selected with the query 
“name:cellulose synthase”).

1. Ensure that you have the fastagrep script available from the previous exercise. 
2. Use fastagrep to extract all the sequences that come from oilseed rape (Brassica napus).
3. Modify your command so that instead of printing the matching sequences to the terminal 

the results are saved as a file.

Hint – this involves using the operator

4.  Now invoke MUSCLE with the default parameters to perform the alignment.  Use the 

following command but replace the ??? with the appropriate filename:

muscle -in ??? -out seqs.aln

5. Run the Jalview application from the bioinformatics menu.  Close the default project 

windows that appear, and select “Input Alignment -> from File”.  Now load seqs.aln
enable colouring in the Colour menu and bring up the overview window from the view 
menu.

Jalview has many options for viewing and editing the alignment, drawing trees, etc.

For comparing alignments, you may want to add the “-stable” flag to the muscle command in order to 
maintain the sequences in the same order as the input FASTA file.

[ref for paper mentioned above]
Holland et al. 2000. A comparative analysis of the plant cellulose synthase (CesA) gene family.
http://www.ncbi.nlm.nih.gov/sites/entrez?db=pubmed&cmd=search&term=10938350

52


BLAST

The Basic Local Alignment Search Tool (BLAST) searches for regions of local similarity between 
sequences. The program compares nucleotide or protein sequences or patterns to sequence, or sequence-
related, databases and calculates the statistical significance of matches.

The documentation here covers only the most commonly used BLAST implementation, BLAST+ from 
NCBI. There are several other BLAST varients that essentially do the same thing.  Some are commercial, for
example AB-BLAST from  Advanced Biocomputing LLC, formerly known as WU-BLAST.  There are also 
many other programs that search sequence databases and perform local alignments.  Before relying on 
BLAST as your search tool you should consider whether one of these might better suit your analysis needs.

A few examples of ways to run BLAST, on Bio-Linux or otherwise

Locally installed command line against locally installed BLAST databases

Locally installed command line against remote databases

Locally through options in graphical programs (e.g. under the Run menu in Artemis)

Remotely through ssh tunnelling or the remote BLAST options in Artemis. 

Remotely on websites such as those available at the NCBI and EBI

Remotely using webservices, either through programs such as Taverna, or through scripting

For this course, we assume that you are familiar with running BLAST searches using at least one web-based 
interface. If you are not, then this is a good time to look at the facilities offered  through one of these sites, 
and to try BLASTing some of the example sequences in the coruse folder:
  

NCBI:

http://blast.ncbi.nlm.nih.gov/Blast.cgi

  

EBI:

   

http://www.ebi.ac.uk/Tools/sss/

Bio-Linux includes both the BLAST+ package and the older NCBI “blastall” implementation.  Information 
and links in the Bio-Linux Bionformatics Documentation System (icon on your Desktop) provide 
information on both packages.   The ncbi-blast+ package contains a number of programs allowing you to 
carry out different types of searches, as well as to create databases, reformat reports, etc.

What this course covers
This course covers how to run BLAST+ programs via the command line and a few simple steps you can take
to work with more than one sequence at a time. We also cover how to install your own BLAST databases in 
Appendix C. We do not cover the internals of BLAST searching in any detail or how to interpret BLAST 
results. 

Why use BLAST on the command line?
The web resources available for BLAST are highly developed, usually stable, and have access to a much 
greater set of data than most people will have available locally. They also often provide lovely graphics and 
links out to other data resources or analysis programs. So why use the command line at all?

For small volumes of data, where you wish to search a commonly available database or subset of data 
available through a website, then web access is a very good option. Web-based utilities are also good for 
experimenting with parameters when determining useful settings for your investigation. The command line 
comes into its own for setting up searches quickly, for processing large volumes of data, for automating your 
searches, and for giving you the ability to get just the information you want returned from the BLAST 

53


searches. (This last point has been made easier than ever in the newer BLAST+ programs, where you can, to 
a certain extent, specify which information to return in a tab delimited format1.

General considerations for database searching
Database searching should be approached like an experiment. In particular: define your aims before your 
start. This will save you an enormous amount of time, both in terms of time taken doing searches and time 
taken bringing together and reporting your findings later.

Before you start searching with a sequence, it is useful to outline your answers to questions like:

What am I trying to find out/what do I want to do with the results?

What kind of database do I want to search with my sequence? E.g. nucleotide, protein, pattern, profile?

Which database(s) in particular do I want to search? Why?

Are there are any subsets of the database that I could or should restrict my search to?

Do I want to take into account potential frameshifts in my coding sequences?

What format is my sequence in?

Do I want to filter my sequence for repeats and low complexity regions before searching?

Is the scoring system I’ve chosen appropriate?

Where and how will I store a record of the parameters I’ve used and the database version I’ve searched 

with? 

A very, very brief introduction to BLAST+
'''BLAST+ includes programs to perform searches with different types of input against databases holding 
different types of data. Each search combination is referred to by a particular name and has its own 
command.  A table of the basic BLAST “flavours” and what they do is given below.

Blastall flavour

Input sequence type

Database sequence type

blastn

nucleotide

nucleotide

blastp

peptide

peptide

blastx

nucleotide (6 frame conceptual

translation is created during run)

peptide

tblastn

peptide

nucleotide (6 frame conceptual

translation is created during run)

tblastx

nucleotide (6 frame conceptual

translation is created during run)

nucleotide (6 frame conceptual

translation is created during run)

1 You can return most information you want using the tab delimited output options in BLAST+. However, a key thing 

missing is the Description field – usually the most interesting field for a biologist! To get this field, along with 
others, out of a BLAST report, it is still necessary to consider custom scripting – or grabbing someone else’s script 
that does the job!

54

We HIGHLY recommend you invest time learning about what BLAST does in detail, including how it works 

and what the statistics is produces mean. The “take the top hit” method will rarely serve your research well. 

We provide a list of references and helpful web pages in Appendix C that we hope will help you learn more 

about blast programs.


There are many other programs available as part of the BLAST+ release apart from the ones above. These 
include blastdbcmd, dustmasker, psiblast, rpsblast+, segmasker and srsearch.. These programs are not 
covered here, but are worth learning about for your own work.

How a BLAST database looks on the file system
A typical BLAST database consists of three files names with extensions '.pin .phr and .psq for protein 
databases or .nin .nhr and .nsq for nucleotide databases.  These files represent a specially indexed version 
of a multi-fasta source file.  Do not try to examine the files in a regular text editor (they appear as garbage), 
and do not try to split the files apart.  When invoking BLAST commands, just give the path to the database 
without any extension (see examples).  BLAST will know to find and read the three files.

A simple blastp search
The following is a basic blastp command – you can run it from within the course folder.

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

The command is easy to understand when you break it down. It means:

run blastp, i.e. a peptide sequence will be used to search a peptide database. 

The database (-db) to be searched is called sprot and can be found in the blastdb directory.

The input sequence (-query) is cd4_cerae.fasta.

Only report results of sequences with e-values (-evalue) better than (i.e. lower than) 0.0001.

Put the results of this search in the file cd4_cerae.blastp, using standard shell redirection 
(>).

You can fine tune BLAST easily using additional command line options. We highly recommend that you 
read   about BLAST and determine appropriate settings for your research questions. This will ultimately save
you a huge amount of time and energy.

A copy of the Swissprot part of Uniprot, formatted for BLAST searches, is located in the directory blastdb
under your bioinf_files directory. We do not fully cover the use of makeblastdb in this course, but some 
more info is shown in Appendix C. For completeness, the steps we took, including the command we used to 
create the BLAST formatted Swissprot database, are as follows:

We downloaded the fasta formatted swissprot file from 

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/swissprot.gz  

into the blastdb directory under bioinf_files. 

We then used the makeblastdb command in a one-liner run within the blastdb/ directory.

gunzip -c swissprot.gz | makeblastdb -title Swissprot -out sprot -dbtype prot -in -

Note the use of a hyphen “-” in place of a filename tells the command to get the input via the pipe “|”.  This 
does not work in all cases but is a common convention in command line tools.

55

Reference databases for BLASTing would normally be stored in a shared location

You can either give the full or relative PATH to your blast databases within the blast command, or you can 
store  your  blast  databases  in  a  location  that  is  supplied  as  the  value  for  the  BLASTDB  environmental 
variable and just provide the database name in the blast command line. 

When loading reference BLAST databases onto Bio-Linux 6 you can can put them in the default BLASTDB 
location /home/db/blastdb OR change the environmental variable BLASTDB to a location appropriate for 
your work. If you do not have sudo access you will need to talk to the system administrator of the machine 
about this. Note that the default location for blast databases may be different on different machines, and may 
change on Bio-Linux in the future. 


For the purposes of this tutorial, we will give each BLAST command the explicit location of the BLAST 
database to search.

Exercise

Move into the bioinf_files directory if you are not already there. 

List the files in the blastdb subdirectory. The files called sprot.p* are the files that BLAST uses when 

it searches.

From within the bioinf_files directory, run the example command given previously, ie:

blastp -db blastdb/sprot –query cd4_cerae.fasta –evalue 0.0001 > cd4_cerae.blastp

Look at the results file that has been created.

Try a blastx search on the file unknown.fasta.  This time set the evalue to 1 and save the results in 

unknown.blastx.  The command you use will start like this:

blastx -db blastdb/sprot -query unknown.fasta …???…

Recall that a blastx search translates a nucleotide sequence in six frames and searches a peptide database.

Look at the results file.

blastp expects a peptide query file, and blastx expects nucleotides.  What would you expect to happen

if you use an inappropriate BLAST flavour?  Try it and see.

Formatting BLAST output
You have now seen the default report format for BLAST searches. There are many options available using 
the -outfmt option with a numerical argument between 0 and 11. The default is -outfmt 0

The BLAST+ commands don’t (currently) have man pages, but to see a list of all the -outfmt options you 
can use the builtin help function:

blastx -help | less

Exercise

Run either of the above BLAST searches again, this time adding the parameter -outfmt 6 to the 

command. Make sure you change the name of the output file as well, or else just let the results get printed 
to the screen. 

Look at the results from this search and compare it to what was returned using default formatting. Is it 

easier or harder to read? Is there information present in one report that is not in the other? 

Note:''' BLAST+ programs offer finer control over the format and contents of results returned – see the help 
page as mentioned above.

56


Handling multiple sequences
BLAST makes it easy to deal with a medium-sized number of sequences at once – say up to a few hundred. 
For thousands of sequences, you will probably want to use the ideas introduced here, in conjunction with 
running your searches on a compute cluster and using scripts to pull out information of relevance from the 
result files.

The general principle of needing more sophisticated techniques as the data volume increases applies to pretty
much any bioinformatics task.

First we’ll look at BLASTing a file containing more than one sequence
In the next section we’ll process multiple sequences as input using a “foreach” loop

BLAST searching using fasta files containing more than one sequence

Exercise

Look at the contents of the file multiseqs.fasta in your bioinf_files directory. How many sequences 

are in this file? 

Run a blastx search using  multiseqs.fasta as the input file. 

blastx -db blastdb/sprot -query multiseqs.fasta -evalue 0.4 > multiseqs_1.blastx

Look at the results file to see how the results have been reported. How easy would this be to read and 

understand?  Could you load the results into other software tools? 

Try the above query again, but with the -outfmt 6 flag. 

Read about the -num_descriptions, -num_alignments and -max_target_seqs flags in the BLAST+ 

documentation. For very small studies, where you might read through the BLAST reports yourself rather 
than doing further processing on them using the computer, these flags may help you otherwise. 

Processing multiple files using a foreach loop
This section introduces a powerful shell feature that allows you to quickly automate repetitive tasks.  In this 
case we’ll use BLAST to illustrate the use of the loop, so you’ll need to look at the previous exercise before 
attempting this one.
A foreach loops say to the computer:

“For each thing in this list, do the following:”

So, when running multiple BLAST searches, you might want to do something like: 

“For each sequence in my list, run a blastx search against my Swissprot database.”

You can also create nested foreach loops. For example, if you had a list of sequences and a list of databases, 
you could use a nested foreach loop to get the computer to do something like this:

“For each sequence in my sequence list, run a blastx search against each database in my database list”

You can run a foreach loop on arbitrarily long lists.  However, for the exercises below, we will use just five 
sequences:

 testseq1.fastatestseq2.fastatestseq3.fastatestseq4.fasta and testseq5.fasta

57


The foreach loop explained step by step

You need to tell the computer the list of files to work on. Here, we will use a glob pattern match to indicate 
the list of sequences we want to work with.  Recall that echo simply prints its arguments and so can be used 
to show glob expansions:

echo testseq*.fasta 

or, if we wanted to be more specific: 

echo testseq[1-5].fasta 

We bind each file in the list to a loop variable within the first line of the foreach loop.  So the following says:
“take each file in this list in turn and refer to it as j”:

foreach j in testseq[1-5].fasta

When we finish, our complete foreach loop will state:

foreach j in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx
done

This means: for each sequence in the list in the first line, run the command in the second line. When all the 
sequences in the list have been dealt with, then finish. 

Loops are very powerful and useful, so it is worth understanding exactly how they work.  A more detailed 
explanation follows.

Explanation of the first line of a foreach loop:

we have used the command “foreach”.  It’s not the only way to write a loop but it is the most used.

the “j” is a name we choose to refer to “each thing” – more specifically, for each thing we get to in the 

list, let’s refer to it by the name j.  This is an arbitrary name. You can use whatever you want. So the 
following are equally correct to the line given above:

foreach myThing  in testseq[1-5].fasta 

calls each list item  in turn “myThing

foreach x in testseq[1-5].fasta 

calls each list item in turn “x

foreach seq  in testseq[1-5].fasta 

calls each list item in turn “seq

Once you have chosen a name for each thing in your list, you must use that name with a dollar symbol “$” to
refer to the list item in any commands that follow within the foreach loop. Recall how the $ construct also 
lets you access the contents of environment variables, like $BLASTDB.

58

Please note that the syntax used this section assumes that you are in the default Z­shell. If the

commands fails for you and you are sure that you have typed them in correctly, please check your shell.

You can identify your current shell by typing the command 

echo $0.  If you are not in the z­shell (zsh) 

already, just type 

zsh in your terminal window.

Other shells provide the same functionality as the foreach loop demonstrated here, but the syntax is different.


The keyword in is followed by a list of things to loop over.  In this case the list is being generated as the

result of a single glob pattern expansion, but this need not be the case.  You can list items explicitly, use 
multiple patterns, or even generate a list on-the-fly using backtick substitution (not covered in this tutorial).

The semicolon serves to terminate the list of items to be processed, and do primes the shell to accept 

one or more commands to be run within the loop.  The single command done terminates this list.

So the overall effect of that one line is: “foreach thing that matches the pattern testseq[1-5].fasta, do 

the following:”, and after that you just supply a regular command to run.  Note how we can reference $j as 
the input sequence and also use $j.blastx to generate a filename for the results – ie. the original name 
with .blastx appended.

Hint:  It is usually a good idea to check that the command or pattern used to create a list does actually 
generate the list you expect before including it within a foreach loop.  Once common trick is to add echo

on the start of the command within the loop, so the commands are printed to the screen but not run.

Exercise

Set up a foreach loop to run blastx searches using the five testseq*.fasta sequences with the Swissprot 
database:

Type this command to begin the foreach loop as described above:

foreach  j  in testseq[1-5].fasta ; do

You will now be seeing something like:

live@machine[bioinf_files] foreach j in  testseq[1-5].fasta ; do
foreach>

The foreach>  is a prompt, much like the regular prompt – it is here we tell the computer what we 

want it to do with each item in the list. To do this, type:

blastx –db blastdb/sprot  -query  $j  -evalue 0.01  -out $j.blastx

Recall that we defined each thing that we want to work on by the letter j in the first line of the 
foreach loop. In each subsequent line of the foreach loop, we refer to each thing by prefacing the j 
with a $ sign. 

Each $j in that command will be replaced by the name of a file from the list. 

So here, the blastall command is executed with each filename in turn, and output files are named 
using the sequence filename with .blastx appended.

You will now see another foreach> prompt, inviting a second command, but you are done so type

done

This indicates that there are no more processing steps to include in this foreach loop. 

After running the foreach loop successfully, type the command

ls  -l  *blastx  

59


You should now see that you have five blastx results files. Imagine you had 100 sequences to blast – you 
could set up a foreach loop and go get a coffee. (Of course, you still need to figure out how you’re going to 
use or analyse the results files if you’re working with large numbers of sequences.)

We mentioned above that the j in the foreach loop was an arbitrary name. As an example, if we had used seq 
instead of j, the foreach loop would have been written:

foreach seq  in  testseq[1-5].fasta ; do
blastx –db blastdb/sprot  -query  $seq  -evalue 0.01  -out $seq.blastx
done

Notice that we have just replaced each instance of $j with $seq.  Be careful, as the shell will not notice if 
your names do not match up, but will just substitute blank spaces into the command.

Exercise

Look through all the files called  testseq*.blastx by using the command less:

less  testseq*.blastx

To go to the next document, you need to type the two-character command  :n 

To quit, press  q

Why go to all this trouble when we could just create a multiple fasta file and run a BLAST search in one go?

Well, there is often more than one way to do a task, but foreach loops can be used with any programs – not 
just BLAST – and not all programs will take multiple inputs, so this method is widely applicable.

Multiple tasks, and even inner loops can be carried out in a single foreach loop, as the following 
example shows. 

60


Exercise – advanced looping

If you have time, you can run the following foreach loop. Try to figure out what it does before running it. 
You may need  to read the man pages for basename and cut to understand all the steps being taken.  Note,
the text has been indented for clarity but you need not type it like this. Also note the special quotes in the 
second line are backticks obtained with the key at the top left of the keyboard, next to number 1.  These 
serve to capture the output of the basename command into the newname variable, and later to drive an 
inner loop from a list contained in a file.  (Earlier, we said these wouldn’t be
covered in the course, but here’s a little taster.  Backticks are a powerful feature
for any aspiring command-line guru to master!)

foreach seq in  testseq[1-3].fasta ; do
  newname=`basename $seq  .fasta`
  mkdir $newname
  pushd $newname
  blastx -db ../blastdb/sprot  -query  ../$seq  -evalue 0.01 -outfmt 6  -out $newname.blastx
  cat $newname.blastx | cut  -f2  >  top5.list
  for hit in `cat top5.list` ; do

                 wget -q [http://www.uniprot.org/uniprot/$hit.txthttp://www.uniprot.org/uniprot/$hit.txt”
]               done

  popd
done

You can get the Z-shell to report what it is doing within loops and functions by running the command set 
-x.  To return to normal output type set +x.

Working with lots of BLAST results
Reading a few BLAST reports is fine, but when you have thousands, you presumably won’t be reading them 
one by one yourself. 
A common way to handle large volumes of BLAST results is to get the computer to process the report files, 
pulling out key information. You can try using the various -outfmt options, which give you a great deal of 
fine tuned control over what to report in tab delimited format. Alternatively, you can use a customised script. 
You might choose to load such extracted information into a database, or for small scale studies, into a 
spreadsheet. This topic is not covered further in this course, but we recommend BioPerl modules for parsing 
BLAST report files. Example BioPerl scripts for BLAST parsing can be found on your Bio-Linux machine 
under the following directory:

/usr/share/doc/bioperl/examples/searchio

61


EMBOSS Programs

EMBOSS is an extensive package of programs that cover areas of bioinformatics analysis including: 

Sequence alignment

Rapid database searching with sequence patterns

Protein motif identification, including domain analysis

Nucleotide sequence pattern analysis—for example to identify CpG islands or repeats

Codon usage analysis for small genomes

Rapid identification of sequence patterns in large scale sequence sets

Presentation tools for publication

We recommend that you refer to the official EMBOSS overview at 
http://emboss.sourceforge.net/what/#Overview to find out more about the extensive functionality available
via EMBOSS programs.
EMBOSS also consists of an underlying programming library, in case you are interested in building your 
own EMBOSS tools. 
 

Ways to  run EMBOSS programs:

Locally installed, via the jemboss graphical interface  on your Bio-Linux machine*

Locall installed via graphical interfaces available under the Applications | Bioinformatics | Emboss 

menu

Locally installed, via the command line on your Bio-Linux machine*

Remotely on websites such as Mobyl:http://mobyle.pasteur.fr

Remotely using webservices

Biological databases and EMBOSS on Bio-Linux
Certain EMBOSS programs can talk to local or remote biological databases. The version of EMBOSS 
installed on Bio-Linux machines is pre-configured to access data from embl, emblcds, uniprot (including 
swissprot and trembl) and Refseq from the EBI. Information about how to change this configuration can be 
found at 

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/emboss-applications-and-databases

Sequence formats and EMBOSS
EMBOSS programs accept most common sequence formats. EMBOSS also includes a versatile tool called 
seqret that can be used to convert between sequence formats should you need to do this for other 
bioinformatics programs.

62


A comparison of the Jemboss  and command line interfaces for EMBOSS programs

Interface

Pros

Cons

Jemboss 

Graphical

Interface

Easy to see the programs available and what
type of analysis they do

Easy to run

Many programs accept input files with 
multiple sequences, either directly or using 
lists of sequence or filenames.

Documentation is easy to access

Much slower to set programs running than 
on the command line

Not always obvious how to save and where 
to save output 

Additional programs with EMBOSS 
interfaces are not available via this 
interface. e.g. there are emboss interfaces 
for phylip and hmmer programs, among 
others, which are useful when creating 
pipelines and automating tasks.

Programs that are interfaces to others (e.g. 
emma is an EMBOSS interface to clustalw) 
may not always work smoothly via 
Jemboss, even though they are fine via the 
command line.

Command

Line

Prompted command line makes programs 
easy to run 

Programs accept input files with multiple 
sequences either directly or using lists of  
sequence or filenames.

Easy to automate tasks and create pipelines 
of tasks

Documentation still easy to access

Prompted command line makes it easy to 
overlook many of the options available

You have to read the documentation to find 
out about the options available

Working with EMBOSS programs

We will run a simple 3 stage task twice – once using Jemboss and once using the command line so that you 
can experience ,and get a feeling for the differences between, the two interfaces.   The task is to fetch a 
sequence file from the EMBL database, extract all the mRNA sequences from the feature table and search for
palindromes in those mRNA sequences. 

63


Exercise – using Jemboss

Start Jemboss on Bio-Linux by typing jemboss on the command line. It can also be started by clicking

on the icon under the  Applications | Bioinformatics menu.

Click on each of the categories (e.g. Alignment, Display, etc) to see what programs are listed.

When you’re finished exploring, click on the Data Retrieval category and choose coderet which is 

under Sequence Data.

Scroll to the bottom of the window and click on the 

 button to bring up a documentation window. 

Read about what coderet does.

Figure 1: The Jemboss graphical interface to EMBOSS programs

Figure 2The GO button is pressed when you are ready to run the program. The i button pops up a 
window with documentation. Some, but not all programs, will also have an Advanced Options button that

will bring up, often very useful, optional fields.

64


Exercise continued

Scroll back to the top of the coderet form in the Jemboss window, and fill in a Sequence Filename. In

fact, we want to pull a sequence directly from embl at the EBI. The sequence we want is from a plasmid 
and has the accession number U80928. To fetch it from the EBI, you need to type:

embl:U80928

  into the Sequence Filename box.

Enter a filename into the outfile file name box. For example, to distinguish from your later 

work, you could use the name: jemboss_bx.coderet.

Scroll to the bottom of the window and hit the GO button.

When the program has finished, a new window called Saved Results should appear. (Don’t be

fooled – your results haven’t been saved yet!) There should be a number of tabs in that window. 
One will be called the name you entered into the the  outfile file name box (e.g.  
jemboss_bx.coderet) The others will likely be called things like u80928.cds,  u80928.noncoding, 
etc.

Take a look at the type of information in each tab. In particular, take note that:

each of the tabs that contains sequence information contains multiple sequences

the command line you would use to run this program identically to how you just ran it via

Jemboss is provided to you under the cmd tab. This will be useful later.

To work with any of this data further, you have to save it to a local file. Click on the tab with 

the name ending in .cds. Choose the File | Save to Local File… option and save this to a location 
you can find again (e.g. under your bioinf_files directory). Give it a name that will distinguish it 
from later work -e.g.  jemboss_bx.cds. Do not close the Saved Results window as we want to 
refer to the information under the cmd tab later.

Go back to the main Jemboss window, go to the Nucleic | Repeats section and choose 

palindrome from the list of programs. 

Browse for the file you just saved using the Browse files… button next to the box under 

Sequence Filename near the top of the page. Note that you’ll have to set the Files of Type: option 
to All Files to find your saved file because it has a .cds suffix.

Check that you’re happy with all the required options, and give a filename in the outfile file 

name box. For example, jemboss_palin.txt. Then press the GO button. 

Scan through the results to see what has been returned to you.

You can also view listings of the files on your system using the Jemboss file manager functionality. Click on
the symbol  at the bottom right side of the Jemboss window. If you double click on the name of a file that 
contains text, it will pop up in another window for you to view or edit. Note: the file listings in the Jemboss 
window are not updated unless you refresh them manually -  the regular file browser or the ls command are a
better way to keep track of what files have been created or deleted.

Using the EMBOSS command line

All EMBOSS commands follow a similar pattern: 

If you just type the command name, then you are prompted for required information. 

65


If you type the command name followed by -opt then you are prompted for optional 

information as well as required information. 

If you type the command name, followed by a minimum amount of information, and -auto, the

program runs and uses defaults for anything you have not specified in the command.

The full command (i.e. the command and all relevant options and values) can be specified by 

including parameters and arguments on the command line.

The command name followed by -h or -help brings up information about the main options for 

the program. 

The command name followed by -h -v brings up information about all options for the program

Typing tfm followed by the command name brings up the full documentation for the program. 

So, using the EMBOSS program seqret as an example, we could run:

seqret

Run seqret and prompt for required information.

seqret -opt

Run seqret and prompt for required and optional information.

seqret -sequence embl:X03487

Run seqret, specifying the sequence. Prompts for additional 

information.
seqret -sequence embl:XO3487 -auto

Run seqret, specifying the sequence. Defaults are used for all other 

options.
seqret -help

Show information about the main options for seqret

seqret -h -v

Show information about all options for seqret

tfm seqret

Show full documentation for seqret

Much more information about the EMBOSS command line syntax is available at:

http://emboss.sourceforge.net/developers/acd/commandline.html

Exercise – using EMBOSS command line

Look at the cmd tab in your jemboss results window for coderet. You should see the following:

coderet  -seqall embl:U80928  -outfile jemboss_bx.coderet -auto

This command runs coderet, specifies the sequence to use and sets the output file name. The -auto option 
indicates that you do not want to be prompted for further information. This results in default values being 
used for all options you have not specified on the command line. 

Read about coderet by bringing up the information via the command line:

coderet -h  or  coderet -help

brings up a list of main options

coderet -h -v

brings up a list of all available options

tfm coderet

brings up the full documentation

66


(EMBOSS commands exercise continued)

To make things simple, we will edit the command line in the coderet cmd tab of the Saved Results 

window in Jemboss, and then copy and paste our final command line into a terminal to run the program. 

Go to the coderet cmd tab of the Saved Results window in Jemboss, and edit the command to give a
new output filename. e.g. 

coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

Open a new terminal window and cd to your bioinf_files directory. Make a new directory to store your

result files (as it will make it easier to see what files the program generates by default). 

mkdir cl_dir

Change directory into your new directory, copy and paste the coderet command line above into the 

terminal and press the return key.  (Recall that we covered highlighting and pasting text using mouse 
buttons near the end of the first half of this tutorial.)  ie:

cd cl_dir
coderet  -seqall embl:U80928  -outfile cl_bx.coderet -auto

When the program finishes, list the files in your directory. What has coderet produced? How does this 

compare with the tabs presented to you when you ran coderet via Jemboss? 

You may notice that we have generated a lot of files we don’t need. We could have specified to coderet that
we only wanted the mRNA sections from the embl entry  BX255937. To find out how, you’ll need to refer 
to the coderet documentation (the lists of options won’t tell you enough).

Now run palindrome on the mRNA sequence. To do this, you could edit, copy and paste the the 

command in the Jemboss Saved Results window for palindrome, or you can type palindrome on the 
command line and answer the prompts. Please run palindrome now, doing one of these.

Once you get to know it, the command line is much faster to get running than programs via Jemboss. 
However, the power of using the EMBOSS command line is much greater if you need to process groups of 
files, or do things repetitively. 

Below we’ll go through an example of running an emboss program on a batch of files using a single 
command. 

If you want to run a job like this repetitively, you can save the commands in a text file and then set things up 
to get those command executed whenever you want (either by you directly, or by your

 computer at a time 

you schedule). We do not cover this in these course notes, but please ask the demonstrator if you would like 
to know more about this.

67


Exercise

Fetching a list of sequences using seqret.

Look at the contents of the file hexaseqs.list in your bioinf_files directory. e.g. using the 

command less. You will see a list of sequence ids and the database those sequences are in. 

Quit less. (hit q)

We need to tell EMBOSS programs when they are going to work on a list of files rather than 

just a single file. To do this, we preface the filename with the @ symbol. So, to fetch the list of 
sequences in the hexaseqs.list file, we can use the command:

seqret  -sequence  @hexaseqs.list 

The default behaviour of seqret is to fetch sequences in fasta format, with all sequences in a
single file with a filename that uses the id of the first sequence. By now you should know 
how to go about finding out how to alter aspects of the program behaviour like these.

Take a look at the sequence file you have generated. 

You can use this same “list of sequences” syntax with Jemboss. e.g. you could run seqret via
Jemboss and specify the sequence name as @hexaseqs.list.

68

  General things to keep in mind

If you suspect there may be a more 

efficient way to do what you are doing, there probably is!

If you find yourself doing anything 

repetitively, there is probably an easier way to do it.

 

Please 

read documentation and seek advice. It will save you a lot of time in the end!


A very basic sequence assembly
This demonstration takes you through a very simple assembly of some reads from a mitochondrial genome. 
This is in no way supposed to be a tutorial on genome assembly, but rather a way to see various tools in 
action on a small dataset.
This section of the course was originally written as a separate tutorial by Dan Pass. Note that, in all the 
commands given in this tutorial, $ represents your terminal prompt.  This is a common convention, even 
though the real prompt will be something like “live@biolinux[live]”. Lines beginning with # are comments 
and not to be typed.

Setup

Open up the Bio-Linux Documentation icon in the Dash menu, then the Introductory Tutorial 
folder. You should see several tar files. Select assembly_taster.tar.xz and right click it. Select 
Extract To… from the pop-up menu. Extract to your home directory, which on the Live USB system
is listed as live in the list on the left.

Open a terminal, then change into the new directory and list the files:

$ cd assembly_taster

  1.  -lh options to ls show human-readable file size

$ ls -lh

To get a quick look at the input data, you can view it in the less text file viewer:

$ less mt_reads.fastq

  1.  as usual, press q to return to the terminal.

Make a new directory to store your results:

$ mkdir results 

Quality Checking

Firstly, in receiving a set of sequence data it is paramount to assess the quality of the dataset. A useful tool is
FastQC which gives a quick graphical overview of the dataset.

Run FastQC on the dataset

$ fastqc -o results mt_reads.fastq

Open the HTML report file. 

  1.  The ampersand (&) will put the process in the background so you can still use the terminal

$ firefox results/mt_reads_fastqc/fastqc_report.html &

Split Barcodes
The sequencing data may be barcoded, depending on the experimental set up. Here, two mitochondria have 
been sequenced together, with differing 10bp barcodes at the 5’ end. This allows us to split the data into two 
sets whilst only performing one sequencing run. Here we use a standard script from the fastx toolkit 
(http://hannonlab.cshl.edu/fastx_toolkit/index.html)

69


Use fastx splitter splits mt_reads.fastq by barcode. 

  1.  –bol indicates that the barcodes are at the 5’ end.
  2.  Note the following command should be typed on a single line:

$ fastx_barcode_splitter.pl <mt_reads.fastq –bcfile mt_barcodes.txt

–bol –suffix .fastq –prefix results/

There are now two .fastq files in the results directory; one for each barcode. There is also an unmatched.fasta
file which should be empty. We will be focusing on the first mitochondrion, ie. the one now in 
results/mt1.fastq.

Clean Up
To remove artefacts and improve the assembly we will do two steps:

1) Trim barcodes
This removes the barcode sequences from the beginning of each read. The -Q33 is required due to 
differences in sanger and illumina encoding.

$ cd results
$ fastx_trimmer -i mt1.fastq -f 8 -o trimmed_mt1.fastq -Q33

2) Quality Filter

Removing

 low quality sequences increases the accuracy of the assembly. 

Here

 we remove any sequences which do not have >25 phred quality score (-q) at 80% of bases (-p). (n.b. 

https://en.wikipedia.org/wiki/Phred_quality_score)

Run the quality filter

  1.  -v instructs the script to give ‘verbose’ output and it is common to find in similar scripts.

$ fastq_quality_filter -i trimmed_mt1.fastq -q 25 -p 80 

-o qual_trim_mt1.fastq -Q33 -v

Note that you could have run both the previous commands in one shot, combined as a pipeline.

$ fastx_trimmer -i mt2.fastq -f 8 -Q33 | 

fastq_quality_filter -q 25 -p 80 -Q33 -o qual_trim_mt2.fastq

70


Assembly With Velvet
Velvet (https://www.ebi.ac.uk/~zerbino/velvet/) is a highly popular short-read assembler which is available

on Bio-Linux. There are countless parameters and combinations to achieve the best assembly, but we will 

run close to default here. We will assess the quality of the assemblies in the next step.

Run velvet in single-end mode with k=21

k’ signifies the Kmer length i.e. the length of sub sequences that the data is being broken up into, and is

one   of   the   most   important   parameters   to   manipulate.   Full   parameters   can   be   seen   by   typing   either
command with no flags.

  1.  You should still be in the results directory at this point
  2.  velveth is a ‘hash program’ which breaks down your data into Kmer sized sequences

$ velveth velvet_k21 21 -short -fastq qual_trim_mt1.fastq

  1.  velvetg performs de Bruijn graph construction, error removal and  repeat resolution

$ velvetg velvet_k21 -read_trkg yes -amos_file yes

Inspect the results in the Tablet graphical viewer (not ideal - we have 139 contigs):

$ tablet velvet_k21/velvet_asm.afg &

Quick ‘cheat’
VelvetOptimiser is a script which automatically tries multiple parameter combinations and returns the best 
assembly it can find. It can be helpful in pointing you in the right direction.

Try using velvetoptimiser

$ velvetoptimiser -s 27 -e 31 -f ‘-short -fastq qual_trim_mt1.fastq’ -a 1
$ tablet auto_data_31/velvet_asm.afg &

Assembly With Abyss
Abyss (http://www.bcgsc.ca/platform/bioinfo/software/abyss) is another popular assembler which we will 
run to give a comparison. Again, multitudes of parameters are available, but here we will run mostly with 
default settings, just optimising the K-mer length.
A major benefit of working in a command-line environment is the ability to loop easily through multiple 
values. Without an existing ‘optimiser’ type program, a shell loop can be used to try many values.

71


Run abyss in single-end mode with k=21

$ abyss -k21 qual_trim_mt1.fastq -o abyss_contigs.fa

Try abyss with multiple kmer values

  1. Type the first line and press return.  The prompt will change to “for>”

$ for k in {15..20}
for> abyss -k$k qual_trim_mt1.fastq -o abyss_k$k.fa

  1. This will run abyss for all values of k between 15 and 20, and 
  2. produce output for each permutation.

Assessing The Assemblies
We used tablet to view the output from Velvet assemblies. This isn’t possible with the Abyss output as the 
program does not provide a full assembly, just the consensus contigs. We can obtain some simple statistics 
on all the assembly results on the command line.
For example, the gnx-tools command will output basic statistics on the multi-fasta file produced by the 
assembler.

Compare assemblies with gnx-tools

$ for f in velvet_k21/contigs.fa auto_data_31/contigs.fa abyss_contigs.fa
for> gnx-tools $f

Adding Some Annotation
If sequence assembly is a tricky process to master then sequence annotation is a bona fide black art. There 
are various approaches that one can use and several pipelines available that will help.  But in this case, we 
just want to get something to look at in Artemis. We’ll quickly scan the assembled genome for likely open 
reading frames. We’ll use the Abyss output as this has (hopefully!) produced a single contig.

Glimmer3 (http://ccb.jhu.edu/software/glimmer/index.shtml) is an application for predicting open reading 
frames in prokaryotic genomes. As with the assemblers above, it should generally be tuned for the specific 
organism that you are working with and also provided with an appropriate training data set. But in this case 
we will just run it quickly with the default options (don’t do this if you want actual meaningful results).
A Perl script is provided to convert the output from Glimmer into something that Artemis can view. You 
don’t need to be a Perl programmer to re-use useful scripts like this.

$ g3-from-scratch abyss_contigs.fa glimmer
$ perl ../glimmer_to_gbk.perl <glimmer.predict >glimmer.gbk
$ artemis abyss_contigs.fa &

You should now be looking at a view of the contig in Artemis. From the File menu select Read An Entry… and 
choose the file glimmer.gbk.

To conclude this section, load the file human_mitochondrial.gbk into Artemis for comparison. This is not 
exectly the same as the mitochondrial data you’ve just assembled (which is from Lumbricus rubellus) but it is 
fully annotated. Annotation will have been achieved using a combination of automated tools and manual editing 
in Artemis. You can find more on Artemis, and on how to identify genes using BLAST, in the next section.

72


Artemis

Artemis is a DNA sequence viewer and annotation tool, allowing visualisation of sequence features and the 
results of analyses within the context of the sequence and its six-frame translation. Artemis can read embl or 
genbank format files. Sequences can be loaded from local files or via the network from the EBI.

Ways to  run Artemis:

from a locally installed version on your Bio-Linux machine*

via Java Web Start from the Sanger Centre 

(http://www.sanger.ac.uk/resources/software/artemis/java/artemis.jnlp)

73

Figure 16: Artemis Entry window after hsy14768.embl is loaded.


Exercise

Start Artemis on Bio-Linux by typing '''artemis on the command line or by choosing the 

option '''Artemis from under the Bioinformatics Applications graphical menu.

Now choose the option Open… from under the Artemis File menu, and select the 

file hsy14768.embl from within the bioinf_files directory.

This should open up a large window, as shown in Figure 14, where this sequence is displayed

graphically .

Open a terminal window and view the text of the embl entry using the command  

less hsy14768.embl

Notice how Artemis is providing a graphical representation of what is in the text file.

Try choosing Mark Open Reading Frames from under the Create menu of 

Artemis.

Choose to mark open reading frames with a minimum size of 200. 

You should now see two boxes near the top in the Entry section, the first called hsy14768.embl

and the other called ORFS_200+.

Uncheck the box next to hsy14768.embl. You should now be able to scroll along the 

window horizontally and easily see the open reading frames you marked. 

Check the box next to hsy14768.embl again. Look at the information in the bottom

frame of the window. Notice how it is related to the images in the frames above.

Try clicking on some of the lines in the bottom frame and seeing what happens in the 

images in the other two frames.

Explore the options available to you. (Not all options will be functional by default. See the

information about the Run menu below)

Close the Artemis Entry Editing window using File | Close.

You can also load up files direct from the EBI. If you want to try this, then choose  File | 

Open from the EBI – Dbfetch… option in the original small Artemis window and enter the 
accession number BX255937

When you are done, close Artemis by choosing File | Close in the sequence entry 

window and then choosing File | Quit in the main (small) Artemis window.

You can run various programs on your sequence, or parts of your sequence, from under the Run menu in 
Artemis. Some of the options in this menu need to be configured to be appropriate for your site. There is 
information on how to do this on our website at:

http://nebc.nerc.ac.uk/tools/bioinformatics-docs/faq#blast_art

If you are not the system administrator of your Bio-Linux machine, then you will probably need to liaise 
with the person who is to get this set up properly.

74

We also highly recommend Artemis’ sister program Act, which can be used to graphically view a pairwise 

BLAST betrween two or more sequences. 


Appendix A – BLAST references and documentation

Web pages
The blastall and blast+ page in your Bio-Linux Bioinformatics Docs provides links to local web pages with 
information about NCBI BLAST programs. You can also access this remotely at the URL:
[http://nebc.nox.ac.uk/bioinformatics/docs/blastall.html http://nebc.nerc.ac.uk/bioinformatics/docs/blastall.html
http://nebc.nerc.ac.uk/bioinformatics/docs/blast+.html]

NCBI BLAST Manual pages
[http://www.ncbi.nlm.nih.gov/books/NBK1763/ http://www.ncbi.nlm.nih.gov/books/NBK1763/
]http://www.ncbi.nlm.nih.gov/blast/blast_help.shtml

NCBI BLAST Web Interface paper
http://nar.oxfordjournals.org/cgi/content/full/36/suppl_2/W5

Sequence similarity statistics
http://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html

NEBC BLAST Frequently asked questions
http://nebc.nerc.ac.uk/tools/bioinformatics-docs/other-bioinf/blastfaq

NEBC November 2007 Masters Bioinformatics Course (covers older blastall, rather than BLAST+)
[http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-msc.-biology-2007 http://nebc.nerc.ac.uk/support/training/course-notes/past-notes/nebc-introduction-to-bioinformatics-
msc.-biology-2007]

References
The book by Ian Korf is a good place to start in learning about what BLAST can do, how it does it and what BLAST output means. It 
is now out of date however, and should be read in conjunction with the new blast+ documentation. Also note that wu-blast is now 
AB-blast, which is licensed software from Advanced Biocomputing LLC. 

S. F. Altschul, T. L. Madden, A. A. Schaffer, J. Zhang, Z. Zhang, W. Miller, and D. J. Lipman. 
Gapped blast and psi-blast: a new generation of protein database search programs. 
Nucleic Acids Res, 25(17):3389–402, 1997.
Lm05110/lm/nlm Journal Article Research Support, U.S. Gov’t, P.H.S. Review England.

S. F. Altschul, J. C. Wootton, E. M. Gertz, R. Agarwala, A. Morgulis, A. A. Schaffer, and Y. K. Yu. 
Protein database searches using compositionally adjusted substitution matrices. 
Febs J, 272(20):5101–9, 2005. Z01 lm000072-10/lm/nlm Journal Article Review England.

C. Camacho, G. Coulouris, V. Avagyan, M.N. Papadopoulos, K. Bealer and T.L. Madden. 
Blast+: architecture and applciations. BMC Bioinformatics, 10: 421, 2009 

S. R. Eddy. Where did the blosum62 alignment score matrix come from? 
Nat Biotechnol, 22(8):1035–6, 2004. Evaluation Studies Journal Article Review United States.

Ian Korf, Mark Yandell, Joseph Bedell, and Stephen Altschul. 
BLAST.  [“An essential guide to the Basic Local Alignment Search Tool”. Includes bibliographical references and index.]
O’Reilly, Sebastopol, Calif. ; Farnham, 2003. GB A3-Y7706  ill. ; 24 cm. 

A. A. Schaffer, L. Aravind, T. L. Madden, S. Shavirin, J. L. Spouge, Y. I. Wolf, E. V. Koonin, and S. F. Altschul. 
Improving the accuracy of psi-blast protein database searches with composition-based statistics and other refinements.
Nucleic Acids Res, 29(14):2994–3005, 2001. Journal Article Review England.

Y. K. Yu, E. M. Gertz, R. Agarwala, A. A. Schaffer, and S. F. Altschul. 
Retrieval accuracy, statistical significance and compositional similarity in protein sequence database searches. Nucleic Acids Res, 
34(20):5966–73, 2006. Evaluation Studies Journal Article Research Support, N.I.H., Intramural England.

75


Appendix B – Creating local BLAST databases

Obtaining local BLAST databases

To get the most from BLAST, you should search against a relevant database, which may mean using the 
relevant parts of a larger database. In general, BLAST searching against the whole of nr or the whole of embl
is not a particularly good idea. It takes up your time and computer resources, returns BLAST results with less
useful statistics and often less meaningful results. For example, if you are studying marine viruses, do you 
really care about all the mouse sequence in nr or embl?

Web resources often offer different data subsets you can search against. For example, using the NCBI 
BLAST pages, you can choose from a certain number of database sections, or you can fine tune the sequence
set you blast against using Entrez queries: 

http://blast.ncbi.nlm.nih.gov/Blast.cgi?CMD=Web&PAGE_TYPE=BlastDocs&DOC_TYPE=FAQ#entrez

http://www.ncbi.nlm.nih.gov/bookshelf/br.fcgi?book=helpentrez&part=EntrezHelp

Using the EBI BLAST services, you can choose from a number of data subsets, as well as having a choice of
WU-blast or NCBI blastall. 

http://www.ebi.ac.uk/Tools/blast/

To run BLAST locally, you need to index your collection of sequences; it is these indices that BLAST reads 
when searching. For some databases or database divisions, you can download prepared BLAST indices from 
sites such as the NCBI. These are convenient, but do restrict you to searching against particular sets of 
sequences. It is often useful to create a set of sequences chosen for the types of searches you wish to carry 
out (e.g. organism or tissue specific) and format them into a database you can search using BLAST.

Any set of fasta sequences can be indexed for BLAST searching. Creating useful sets of sequences is beyond
the scope of this course, but two resources to consider are SRS (http://srs.ebi.ac.uk) and Entrez 
(http://www.ncbi.nlm.nih.gov/books/bookres.fcgi/helpentrez/EntrezHelp.pdf)

For NCBI blastall, the formatdb command is run on fasta formatted files to create BLAST indices. 
For BLAST+, the program used is called makeblastdb, and this is the you want to use, though BLAST+ will 
happily search databases made with formatdb.

Some data resources useful for local BLAST 

URL

Database File 

format

Contents

ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/uniprot/

uniprot

fasta

Uniprot, swissprot and 
trembl

[ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/ ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_rele
ase/knowledgebase/taxonomic_divisions/]

uniprot

embl

Uniprot divisions

[ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblrelease/ ftp://ftp.ebi.ac.uk/pub/databases/fastafiles/emblreleas
e/]

embl

fasta

Individual embl divisions

ftp://ftp.ebi.ac.uk/pub/databases/embl/release/

embl

embl

Individual embl divisions

[ftp://ftp.ncbi.nlm.nih.gov/blast/db/ ftp://ftp.ncbi.nlm.nih.gov/blast/db/
ftp://ftp.ebi.ac.uk/pub/blast/db/]

various

blast

nr, nt, env and a few other 
BLAST formatted databases 
or database sections.

ftp://ftp.ncbi.nlm.nih.gov/genbank

genbank

genbank 

Individual genbank divisions

76


One thing to note in the table above is that uniprot divisions are provided in embl format. However, BLAST 
indices are created from fasta format files. Unfortunately, the EMBOSS program seqret, which you saw 
earlier, does not handle entire database divisions well. Instead, you can use a simple script to do the 
conversion. Instructions on this are below.

If you choose to use pre-formatted BLAST databases, make sure you read the notes about them (usually 
available as a file called something like REAMDE on the FTP site you get the BLAST files from) as they 
can be slightly different than the database that results from downloading and formatting your own. 

Building BLAST indices from local sequence files

We will use the uniprot  swissprot virus division as an example here. As this is distributed in embl format, 
and we need it in fasta format, we include a format conversion step in the instructions below.

Bio-Linux machines by default have the BLASTDB environmental variable set to a central location. To find 
out where it is set to on your machine, you can use the command:

echo $BLASTDB

If you are logged in as an administrative user, then you will be able to download and work in any area on the 
machine using your sudo privileges. If you are on a multi-user system and are not an administrative user, the 
default location for BLAST databases may not be writable by you. In this case, you should talk to your 
system administrator: either to ask them to give you privileges in the central BLAST database folder, or warn
them that you are about to use lots of space in your account for BLAST databases. 

These instructions assume that you are working from the directory where you will be storing your BLAST 
database files. This is not normally the case. Usually, if you download BLAST databases into your account, 
it is easiest to set the BLASTDB environmental variable to the location of these BLAST databases, and then 
work from a convenient folder where you plan to store your results. You can set the BLASTDB 
environmental variable for a single session by typing a line of the form below in the terminal you are 
working in. To set this variable for every session, you can add the line to your ~/.zshrc file. 

export  BLASTDB=”$HOME/blastdb”

Download the database section of interest. Here we will work with the uniprot swissprot virus division:

wget

ftp://ftp.ebi.ac.uk/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/uniprot_sprot_viruses.dat.gz

77

Understand your databases

It is important to read the documentation about the databases you choose to work with. 
For example, uniprot and nr are not the same. nt is not a non-redundant database; nr is.

 

Knowing what is in a database you work with is vital in understanding your results. 

Nucleic Acids Research publishes a database issue in January of each year. 

This is an excellent resource for finding out more about available database resources. 

Another useful resource is the information available via the links on the Library page of SRS at the EBI:

http://srs.ebi.ac.uk/srsbin/cgi-bin/wgetz?-page+top


If you don’t already have a sequence conversion tool, download the emblToFastaAndPreProcess.pl 

script from the NEBC site. 

wget http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFastaAndPreProcess.pl

This script converts embl sequence to fasta sequence. Due to issues that sometimes appear because of the 
formatting of information in the feature table, it does so by removing the feature lines from the entry before 
conversion. A version of the script that does not pre-edit the feature lines is also available: 
http://nebc.nerc.ac.uk/downloads/scripts/bioinf/emblToFasta.pl 

Make this script executable.

chmod u+x emblToFastaAndPreProcess.pl

This script can handle compressed files, so you can create a fasta formatted copy of the 

uniprot_sprot_viruses division by running the command:

./emblToFastaAndPreProcess.pl  uniprot_sprot_viruses.dat.gz

Notice the ./ at the start of the line. You need this if you are running the script from the directory you are in. 
There are better ways to do this if you plan to keep this script for use again, but they are not covered here. 

When the script is finished, you should find a file called  uniprot_sprot_viruses.fasta in your directory. 

This is the file we build the BLAST database from. 

makeblastdb -dbtype prot -in  uniprot_sprot_viruses.fasta  -out sprot_virus

You should now have four new files in your directory:  sprot_virus.psq, sprot_virus.pin, sprot_virus.phr

and formatdb.log. The last of these lets you know how the BLAST formatting went. 

The sprot_virus.p*  files are your BLAST indices. You search against them by specifying the BLAST 
database name sprot_virus

Note:

If you were interested in the swissprot virus division, you would probably be interested in the trembl virus 
division also. You could download and format that division as described above, and then search the swissprot
and trembl virus divisions separately, or as a single, virtual database. Alternatively, you could create a single 
BLAST formatted database from the two fasta files using cat and makeblastdb:

cat uniprot_sprot_viruses.fasta uniprot_trembl_viruses.fasta | 

makeblastdb -in - -out uniprot_viruses -dbtype prot -title “combined sprot and trembl virus divisions”

What is the best division to search against depends on what you need to accomplish. 

78


Appendix C - Cheat sheet of basic Linux commands

bg

To send a suspended job to the background

cat fileName1

Output a file to the screen (see also more and less)

cat file1 file2 file3 > newfile

Append three files together and put the result in newfile

cat -nA file1

Output a file to screen, numbering all lines and revealing non-
printing characters

cd dirName

Change to directory dirName.  Use cd .. to go up one dir or just 
cd to go home.

chmod 

To change the permissions or protection on a file, to allow 
everyone to read a file (chmod a+r somefile)

clear 

clear the terminal screen

cp fileName1 fileName2 

create a copy of the file called fileName1 and call the copy 
fileName2

cp fileName directoryName

copy the file fileName into a directory called directoryName

cp –R dirName1 dirName2

copy a whole directory called dirName1 and its contents into 
another directory called dirName2. 

date

Print the current date and time

df –h

File system information including space usage

diff file1 file2

Summarise differences between two similar text files file1 and 
file 2.  See also the graphical tool, meld

echo $NAME

Print the value of an environment variable called $NAME

emacs

A text editor, more powerful than gedit, but more complex.

evince 

A command for viewing postscript or PDF formatted files

exit 

Exit the current terminal

export NAME=value

Set the environment variable $NAME to “value”

fg 

Brings a suspended or background job to the foreground

file fileName

Tries to determine what fileName is by looking at the contents

find -name “test*”

Scans for filenames matching a given glob pattern in the current 
folder and subfolders.  This command is tricky to use.  To scan 
the whole system for files, try locate.

gedit

The standard text editor

grep

Search for the occurrence of a pattern

groups or id

Show what groups a user is in.

head fileName

Show just the first few lines of fileName

history 

List log of previous commands you have entered

jobs 

Lists any suspended or background processes that you have 
running. See also ps and pgrep

kill pid

Kill a process that is running where pid is the process id number 
(see ps).  Also consider pgrep and pkill.

last

Info about who has logged onto the machine recently

79


less

Type a file to the screen one page at a time (press q to quit, 
spacebar for next page, b to go back a page)

ls

List the files in your directory

ls –l

List the files in your directory but with “longer” information.  
(Add -h for more readable file sizes)

man command

For help about UNIX command “command”

man -k keyword

Lists all UNIX commands that mention the word “keyword”

mkdir dirName 

Make a directory

more fileName

Type a file to the screen a page at a time (press q to quit, spacebar 
for next page).

mv file1 dirName

Assuming dirName is an existing directory, move a file called file1
into a directory called dirName

mv file1 file2

Rename file1 and call it file2

nano

A basic text editor that runs in the terminal

passwd 

Change your password

pgrep pattern

Find process names that contain the pattern. See also ps

pkill processname

Kill a running process using the process name. Be careful with 
this! See also pspgrep and kill

pwd

Print the full path of your current directory

ps –u

List your current processes

ps –aux

List all processes on the machine. See also top

rm fileName 

Delete a file

rm –rf dirName

Delete a directory and all its contents

rmdir

Delete an empty directory

screen

Run the screen manager (read the man page first!)

stat fileName

Show detailed info on fileName, similar to ls -l

tail

Show just the last few lines of a file.  See also head.

tar -xvz -f fileName.tar.gz

Unpack a tarball from the file fileName.tar.gz

someCommand '''| tee fileName

Save output of someCommand to fileName and also print to 
screen.  Use instead of >fileName if you want to redirect but still 
see the output.

top

List the processes running that are using the most CPU

touch fileName

Create an empty file (also updates file timestamps)

wc -l fileName

Count lines in fileName

which commandName

Reveal what will really be run when you give a command

or who

List users currently logged on

yes

A very useful command ;-)

Ctrl-c

Stop (interrupt) a process

Ctrl-r

Interactively search in command log.  See history

Ctrl-z

Suspend a process, see also jobsfg and bg

80


81