☰

循环访问数千个文件进行大数据分析？

tag-icon • tag-icon bash shell-script bioinformatics
循环访问数千个文件进行大数据分析？

我是 bash 脚本编写的初学者，有人可以帮助我吗？

  • 在目录 ( pamlfiles/) 中，我有文件列表 ( *.fa) 
    OG0018053.fa
OG0018054.fa
OG0018055.fa
  • 这些文件看起来像这样： 
    head -n 2 ../pamlfiles/*
==> ../pamlfiles/OG0018053.fa <==
>C.rhe
ATGAGG------------GTCCTCCTGCTTCTCGGATTGGTGGCTTTTGGCCTGGCTGAC

==> ../pamlfiles/OG0018054.fa <==
>L.fab
atg---------------------acggacgagatatctctggcgtgtggcatgtcagga

==> ../pamlfiles/OG0018055.fa <==
>A.ven
ATGAACACTGCCACTCCCACCGAGTTTGACTTCTCTTTCTTGGAAGAGGGCTTCTCCGCC
  • 我用以下脚本处理它们（forloop.sh）： 
    #!/bin/bash
for file in ../pamlfiles/*.fa
do
    filename=$(basename -- "$file")
    gene_name="${filename%%.*}"
    cp codeml_0_opt1_templ.ctl codeml_0.ctl
    sed -i -e "s/GENE/$gene_name/g" codeml_0.ctl
    codeml codeml_0.ctl
done

但是，当我执行时forloop.sh，我收到错误

Sequence file ../pamlfiles/OG0018055 not found!

看起来codem1_0_opt1_templ.ctl像这样：

head codeml_0_opt1_templ.ctl 
seqfile = ../pamlfiles/GENE
outfile = results/GENE_M0.txt
treefile = OG0018055.fa.m.fa.mt.py.nex.treefile
 
noisy = 9
verbose = 0 

runmode = 0
seqtype = 1  
CodonFreq = 2

我哪里错了？

答案1

如果您查看进程的输出codem1（无论是什么），它会指出它找不到该文件OG0018055- 这只是合乎逻辑的，因为该文件实际上被称为.OG0018055.fa

在您的脚本中，您可以.fa从文件名中的行中删除扩展名

gene_name="${filename%%.*}"

获取基因名称。然后，您可以将文件模板中sed出现的所有模式替换为该基因名称。GENE但是，这意味着在更新的codeml_0.ctl文件中，该seqfile行如下所示：

seqfile = ../pamlfiles/OG0018055

所以.fa这里缺少扩展名。

所以，只需修改你的模板文件来读取

seqfile = ../pamlfiles/GENE.fa

这样.fa文件扩展名就不会丢失。

相关内容