☰

Grep 查找一系列数字

tag-icon • tag-icon text-processing awk grep bioinformatics
Grep 查找一系列数字

我有一个包含多行的 .txt 文件，其中提供氨基酸和残基数据。数据如下：

ARG262-Side ASP368-Side 140,83%
ARG95-Side GLU107-Side 103,73%
ARG474-Side VAL468-Main 94,93%
PHE169-Main ALA190-Main 94,63%
THR205-Side ASP203-Side 94,07%
ILE299-Main LYS249-Main 94%
LEU354-Main LYS365-Main 93,6%
ARG346-Side GLU263-Side 93,57%
LEU301-Main ALA247-Main 93,43%
ALA190-Main PHE169-Main 93,37%
SER252-Side ASP296-Side 93,1%
TYR424-Side ASN446-Main 93%

我可以粗略地说，数字表示残基，字母表示氨基酸。因此，在每行的第一和第二字段中，前面的部分-由氨基酸标识符和残基值组成。我只想打印可见残基值位于特定范围内的行，无论氨基酸如何，也无论第一个或第二个字段是否符合标准。

例如，从上面的输入文件中，我想提取仅包含之间残基的数据300-425。在这种情况下，我的输出应该如下所示：

ARG262-Side ASP368-Side 140,83%
LEU354-Main LYS365-Main 93,6%
ARG346-Side GLU263-Side 93,57%
LEU301-Main ALA247-Main 93,43%
TYR424-Side ASN446-Main 93%

我尝试使用该grep命令来实现此目的，但不太成功。除了 之外还有什么命令可以使用吗grep？

答案1

使用awk：

awk -F'(^| )...|-' '$2>300 && $2<425 || $4>300 && $4<425' infile

在这里，我们将字段分隔符设置为：

  • 行首后跟 3 个字符^...，或者
  • 一个空格后跟 3 个字符...，或者
  • 连字符

然后基于这些，第 2 列和第 4 列将是氨基酸的残基，因此我们检查它是否在给定范围内。

答案2

众所周知，主要处理正则表达式的工具不擅长处理数字。在这种情况下，我建议使用类似的东西awk来代替grep：

$ awk '{ r1 = substr($1,4,3); r2 = substr($2,4,3) } (r1 >= 300 && r1 <= 425) || (r2 >= 300 && r2 <= 425)' file
ARG262-Side ASP368-Side 140,83%
LEU354-Main LYS365-Main 93,6%
ARG346-Side GLU263-Side 93,57%
LEU301-Main ALA247-Main 93,43%
TYR424-Side ASN446-Main 93%

该awk代码从每行的前两个空格分隔字段中提取从偏移量 4 开始的树字符，并调用它们r1和r2。我用来substr()提取字段数据中固定位置的数字，但如果您确定唯一的数字是您感兴趣的数字，您也可以删除所有非数字。这样做

r1 = $1; gsub("[^[:digit:]]", "", r1)

类似地r2使用$2.

如果末尾的条件为真，则将打印当前行。

答案3

尝试这个：

grep -E '[^0-9](3[0-9][0-9]|4[01][0-9]|42[0-5])-' file`
  • -E启用扩展正则表达式（不需要反斜杠括号和管道）
  • [^0-9](-- 非数字，后跟
    • 3[0-9][0-9]|300 到 399 之间的数字，或者
    • 4[01][0-9]|400 到 419 之间的数字，或者
    • 42[0-5]420 到 425 之间的数字
  • )-后跟一个连字符

提供非数字要求意味着您不匹配ABC1234-Something

答案4

grep -E "(^[[:upper:]]{3}(3[0-9]{2}|4([0-1][0-9]|2[0-5]))|\b[[:upper:]]{3}(3[0-9]{2}|4([0-1][0-9]|2[0-5])))" sample.txt

grep -E具有扩展的正则表达式。

^[[:upper:]]{3}：如果该行以三个大写字母字符开头

3[0-9]{2}：匹配任何大于或等于300的数字序列

|： 或者

4([0-1][0-9]|2[0-5])：400 到 425 之间。

|：或者（这里看第二栏）

\b：世界是有边界的（有空间）

[[:upper:]]{3}(3[0-9]{2}|4([0-1][0-9]|2[0-5])): 与第一条路径相同。

相关内容