☰

将字符保留在 fasta 标头中两个特定字符之间并删除其余字符

tag-icon • tag-icon linux text-processing awk sed bioinformatics
将字符保留在 fasta 标头中两个特定字符之间并删除其余字符

我试图将 fasta 标头中的字符保留在第一个和第二个冒号之间。由于我的编码技能非常有限，我尝试使用 sed 和 awk 失败了。

在：

>TRINITY_DN10034_c0_g1:TRINITY_DN10034_c0_g1_i1:g.1561:m.1561
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1:TRINITY_DN10322_c0_g1_i2:g.1424:m.1424
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

预期的：

>TRINITY_DN10034_c0_g1_i1
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1_i2
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

有什么帮助吗？

答案1

和awk：

awk -F: '{ if (NF==1) { print } else { print ">"$2 } }' file

或者稍微压缩一点

awk -F: '{ print (NF==1) ? $1 : ">"$2 }' file

:如果该行只有一个字段，则使用字段分隔符并打印第一个字段，>否则打印第二个字段。

和sed：

sed 's/^>[^:]\+:\([^:]\+\).*/>\1/' file

答案2

与标准sed：

$ sed '/^>/{ s/[^:]*:/>/; s/:.*//; }' file.fa
>TRINITY_DN10034_c0_g1_i1
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1_i2
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

这将两个替换应用于s/[^:]*:/>/以a 开头的s/:.*//所有行（fasta 标题行）。file.fa>

第一次替换将替换行的开头，直到第一个:字符（包括第一个字符）>。

第二次替换将删除从:结果数据中的第一个（:原始行中的第二个）到该行末尾的所有内容。

这将留下第二个:- 分隔字段，前缀为>.

与标准awk：

$ awk -F ':' '/^>/ { $0 = ">" $2 } { print }' file.fa
>TRINITY_DN10034_c0_g1_i1
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1_i2
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

这将用作:字段分隔符，当遇到以 开头的行时>，它将替换完整行，>后跟第二个:- 分隔字段。所有行，无论是否修改，都会被打印。

答案3

建议的解决方案：

使用 GNU sed

cut -f2 -d':' file | sed '1~2s/^/>/'

输出：

>TRINITY_DN10034_c0_g1_i1
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1_i2
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

答案4

有多种方法可以处理此 PBM，其中一些是：

$ cut -d: -f2 | sed -e '$!N;s/^/>/' file

$ awk -F: '/^>/{$0 = ">" $2}1' file

$ perl -F: -pale ' s/^>\K.*/$F[1]/' file

$ sed -e '
   /\n/{P;d;}
   /^>/y/:/\n/
   s/\n/&>/;//D
' file

结果

>TRINITY_DN10034_c0_g1_i1 
CCAGCGCCACGGAGGGCGAAGGCGAAGGCGGTGGTTTTGAACGATGAGGTGCCGCCGGTG
>TRINITY_DN10322_c0_g1_i2 
GATCCGCCTTCTATAACTGGAAAAGAAGAGGATGAGGTGCCGCCGATGAGTCTACCTTCT

相关内容