samtools tiene una opción de submuestreo:

-s FLOAT: La parte entera se usa para inicializar el generador de números aleatorios [0]. La parte después del punto decimal establece la fracción de plantillas / pares en submuestreo [sin submuestreo]

  samtools view -bs 42.1 in.bam > subsampled.bam  

submuestreará un 10 por ciento de lecturas mapeadas con 42 como semilla para el generador de números aleatorios.

Con esta función, puede submuestrear un archivo BAM dado a un número de lecturas especificado por el usuario usando SamBamba. La función calcula automáticamente el factor de escala. Ideas tomadas en parte de aquí

  function SubSample {## Calcule el factor de muestreo en función del número previsto de lecturas: FACTOR =  $ (samtools idxstats $  1 | cut -f3 | awk -v COUNT =  $ 2 'BEGIN {total = 0} {total + = $  1 } END {print COUNT / total} ') if [[ $ FACTOR > 1]] then echo' [ERROR]: El número solicitado de lecturas excede el total de lecturas en '$  span > 1 '- saliendo' && exit 1fisambamba view -s  $ FACTOR -f bam -l 5 $  1} ## Ejemplo de uso, seleccionando 100.000 lecturas: SubSample in. bam 100000 > subsampled.bam  

Tenga en cuenta que $ 2 es el número de lecturas. Supongamos que elige 10000 lecturas pero tiene datos de extremo emparejado, terminará con 5000 fragmentos.

Una táctica totalmente diferente ... es útil si no es muy exigente con la cantidad de lecturas que tiene al final.

Los nombres de lectura de Illumina contienen las coordenadas de carril, mosaico y xy del leer en ellos. Si filtra por estos, se le garantiza que obtendrá ambos miembros de un par, o ninguno. Recomendaría intentar evitar los bordes de la celda de flujo.