☰

Sed - 匹配但不包括模式，包括换行符

tag-icon • tag-icon sed regular-expression bioinformatics
Sed - 匹配但不包括模式，包括换行符

我有一个多 fasta 格式的输入。本质上：

>header1
AAAAAATTTTCCCCGGGG
AAAATGTGTGTCTCTCTC
ATAGGATGAGT
>header2
GGGGTGTGTGATGTAGTA
AAAATGTGTGTCTCTCTC
ATAGGATGAGT
....
>header720
GGGGTGCTCGCTCTGTGA
AAAATGAGTCATCATTGT
ATAGGATGAGT

我有兴趣以这种格式恢复条目 #28：

>header28
GGGGTGCTCGCTCTGTGA
AAAATGAGTCATCATTGT
ATAGGATGAGT

我最初的尝试是使用 sed。但是， sed -n '/header28/,/>/p'('获取从与模式匹配的行到下一个符号的所有内容 >') 会导致：

>header28
GGGGTGCTCGCTCTGTGA
AAAATGAGTCATCATTGT
ATAGGATGAGT
>header29

同时，sed -n '/header28/,/[^>]*/p'('获取从与模式匹配的行到但不包括符号>'的所有内容)会导致比我需要的更短的序列，因为它卡在换行符上，如下所示：

>header28
GGGGTGCTCGCTCTGTGA

此外，这些选项都没有处理该条目是列表中最后一个条目的可能性（因此后面没有另一个>）。这是不可能的，我可以忍受它，但是也可以处理这个问题的代码会很棒。

非常感谢您的帮助！对 sed 之外的其他选项持开放态度，但我认为我的目标是简单的东西。

答案1

最有可能的是，这已经被问过......但无论如何，只需删除范围结束（如果存在）：

sed  '/>header28/,/>/!d;/>/{
     />header28/!d
     }' infile

答案2

使用任何 awk：

$ awk '/^>/{f=(/>header28$/)} f' file
>header28
GGGGTGCTCGCTCTGTGA
AAAATGAGTCATCATTGT
ATAGGATGAGT

或者更有效的是，您可以在打印该块后退出，而不是继续读取其余输入：

$ awk '/^>/{if (f) exit; f=(/>header28$/)} f' file
>header28
GGGGTGCTCGCTCTGTGA
AAAATGAGTCATCATTGT
ATAGGATGAGT

答案3

和awk：

awk -v hdrId='header28' '
  /^>header/ && buf{ printf("%s", buf); exit }
  $0 ~ "^>" hdrId "$" || buf{ buf=buf $0 ORS }' infile

答案4

我会使用 FastaToTbl 和 TblToFasta 脚本（请参阅此处的脚本）我在其他答案中提到过，只需执行以下操作：

$ FastaToTbl file.fa | grep -w header28 | TblToFasta
>header28 
GGGGTGCTCGCTCTGTGAAAAATGAGTCATCATTGTATAGGATGAGT

请注意，这会将序列分成 60 个字符的行，这在 20 年前编写这些脚本时曾是常态。由于这是 fasta，我假设不需要保留原始行折叠。如果情况并非如此，请告诉我。

相关内容