☰

计算特定连续字符及其出现位置和长度

tag-icon • tag-icon awk sed perl bioinformatics
计算特定连续字符及其出现位置和长度

我有一个序列文件，想要计算连续字符“N”及其出现位置和长度假设我有一个名为mySequence.fasta如下的文件：

>sequence-1
ATCGCTAGCATNNNNNNNNNNNNNNCTAGCATCATGCNNNNNNATACGCATCACANNNNNNNNNCgcatATCAC

预期输出应该是这样的：

Position 12 N 14
Position 38 N 6
Position 56 N 9

awk请通过或sed提供我的文件名帮助我解决此问题mySequence.fasta

答案1

您可以使用 来做到这一点awk，它match()设置RSTART和RLENGTH变量对此非常有用：

<mySequence.fasta awk -v C=N '{
  i=0
  while (match($0, C "+")) {
    printf "Position %d %s %d\n", i+RSTART, C, RLENGTH
    i += RSTART+RLENGTH-1
    $0 = substr($0, RSTART+RLENGTH)
  }}'

或者perl使用@-和@+数组来记录匹配的开始和结束：

perl -ne 'printf "Position %d N %d\n", $-[0]+1, $+[0]-$-[0] while /N+/g'

另一种稍微快一点的方法（至少在我的版本中perl）perl使用 (实验性的)(?{...})正则表达式运算符：

perl -ne '0 while /N(?{$s=pos})N*(?{printf "Position %d N %s\n", $s, pos()-$s+1})/g'

答案2

另一个awk解决方案：

awk -F '' '{for(i=1;i<=NF;i++){ if($i=="N"&&!sPOS) sPOS=i;
   if (i==NF &&sPOS && $NF=="N"){LN++}; if($i=="N" &&sPOS && i<NF) {LN++}
   else if(sPOS) {printf("Position %d N %d\n", sPOS, LN); LN=sPOS=0} }
}' infile.txt

由于所有awk实现都不支持空 FS ( -F '')，因此下面是修改后的脚本以兼容：

awk -F'N' '{sPOS=0;for(i=2;i<=NF;i++){ if($i==""&&!sPOS) sPOS=(i-1)+length($(i-1));
    if($i=="" &&sPOS && NF!=i) {LN++} 
    else if(sPOS) {printf("Position %d N %d\n", sPOS, ++LN); sPOS+=LN+length($i); LN=0} }
}' infile.txt

输入示例：

>sequence-1
ATCGCTAGCATNNNNNNNNNNNNNNCTAGCATCATGCNNNNNNATACGCATCACANNNNNNNNNCgcatATCACNN
N
AN
NNA

结果是：

Position 12 N 14
Position 38 N 6
Position 56 N 9
Position 75 N 2
Position 1 N 1
Position 2 N 1
Position 1 N 2

相关内容