我有一个大约 500 万行长的基因组数据文件，其中应该只包含字符 A、T、C 和 G。问题是，我知道文件应该有多大，但它比那个稍大一些。这意味着分析中出现了问题，或者某些行包含基因组数据以外的内容。
有没有办法找到除 A、T、C 或 G 之外的任何一行？由于文件的性质，不应出现任何其他字母、空格、数字、符号。我已经逐个符号搜索过，所以我希望有一种更简单的方法。
答案1
首先，您绝对不想在编辑器中打开该文件（它太大了，无法以这种方式进行编辑）。
相反，如果你只是想确认文件是否包含除、A和之外的任何内容，您可以使用TCG
grep '[^ATCG]' filename
这将返回包含除这四个字符之外的任何内容的所有行。
如果你想删除文件中的这些字符，您可以这样做
tr -c -d 'ATCG\n' <filename >newfilename
（如果这是“更正”文件的正确方法，我不知道）
这将删除文件中不属于这四个字符之一的所有字符，并且还会保留换行符 ( \n)。编辑后的文件将被写入到newfilename.
如果是向文件中添加了某些内容的系统错误，则可以通过sed或进行纠正awk，但我们还不知道您的数据是什么样的。
vi如果您在或中打开文件vim，则命令
/[^ATCG]
将在编辑缓冲区中找到下一个不是A, T,C或 的字符G。
并将:%s/[^ATCG]//g把它们全部删除。
答案2
我专注于标题
查找 VI 中任何除 ATCG 之外的行
我从 VI 编辑器中测试了这个，所谓的“最后一行模式”。
:%!tr -c -d 'ATCG\n
:进入命令行模式，%将整个文件作为一个范围进行匹配，通过恰好与 @Kusalananda 所写的外部命令相同的!外部命令来过滤该范围:)。tr -c -d 'ATCG\n