我有一个文件,其中一行中有几个未排序的内容,我想将其放入一个新文件中这是我拥有的部分文件的示例:
X1314448: SaMi|SM_g2554.t1 SaMi|SM_g5072.t1 Des|Des_g3808.t1 Dul|Dul_comp50786_c0_seq1-1 Nig|Nig_comp88811_c0_seq2-1 AB|AB0003DMP400018076_AB0003DMT400026495 Phy|Phy_comp35647_c0_seq1-1 SWtf|SW_g27807.t1 Tom|Solyc02g077050.2.1
X1314810: Des|Des_g33587.t1 Nig|Nig_comp84357_c0_seq1-1 AB|AB0003DMP400020961_AB0003DMT400030857 Phy|Phy_comp33112_c0_seq1-1 SaMi|SM_g27352.t1 SWtf|SW_g21774.t1 TAIR|AT4G14930.1 Tom|Solyc06g054250.2.1 Dul|Dul_comp63657_c0_seq2-1
X1327159: AB|AB0003DMP400016823_AB0003DMT400024599 AB|AB0003DMP400017933_AB0003DMT400026257 Dul|Dul_comp58749_c0_seq2-1
X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802 SWtf|SW_g16502.t1
X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Dul|Dul_comp57659_c0_seq2-1 Dul|Dul_comp57659_c0_seq3-1 Dul|Dul_comp57659_c0_seq4-1 Ni g|Nig_comp93106_c3_seq1-1 Nig|Nig_comp93106_c3_seq2-1 AB|AB0003DMP400005485_AB0003DMT400007895 AB|AB0003DMP400021388_PGS C0003DMT400031553 Phy|Phy_comp61931_c0_seq1-1 Phy|Phy_comp61931_c0_seq2-1 Phy|Phy_comp61931_c0_seq3-1 Phy|Phy_comp61931_c0_seq4-1 RICE|LOC_Os08g43334.1 RICE|LOC_Os08g43334.2 RICE|LOC_Os09g35790.1 RICE|LOC_Os09g35790.2 SaMi|SM_g30888.t1 SaMi|SM_g5888.t1 SWtf|SW _g17547.t1 SWtf|SW_g33717.t1 Des|Des_g47565.t1 SaMi|SM_g6027.t1 SWtf|SW_g42019.t1 TAIR|AT5G62020.1 Tom|Solyc03g026020.2.1 TAIR|AT4 G11660.1
我想要的是第一部分“X1314448:”后跟“Des|Des_g3808.t1”。如果还有另一个“Des_xxx”(在某些情况下有多个,例如倒数第二行) ),我希望也将其包含在内,然后在输出文件中包含“AB | AB00 ...”,但由于它是一个未排序的列表,我不确定如何排序我想要的三个不同部分,同时仍然保留它们同一条线(使它们相互链接)我也不确定如何在一条线上获得多个匹配项。
因此对于第一行,输出应该是:
X1314448: Des|Des_g3808.t1 AB|AB0003DMP400018076_AB0003DMT400026495
对于倒数第二个:
X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802
对于最后一个:
X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Des|Des_g47565.t1 AB|AB0003DMP400005485_AB0003DMT400007895 AB|AB0003DMP400021388_PGSC0003DMT400031553
我认为主要问题是最后一行。我还希望能够修改文件以包含“Dul|...”。
解决方案:
经过一番研究后,我最终得到: 1 - 将此脚本另存为FastaToTbl
并使其可执行(chmod 744 FastaToTbl
):
if (substr($1,1,1)==">")
if (NR>1)
printf "\n%s\t", substr($0,2,length($0)-1)
else
printf "%s\t", substr($0,2,length($0)-1)
else
printf "%s", $0
}END{printf "\n"}' "$@"
2 - make 和包含此脚本的第二个文件:FastaToTbl
与此脚本结合使用以从中提取 IDfile1
和序列file2
:
./mktbl file1[contains FASTA sequences] |
perl -ne 'chomp;@a=split(/\t/); $k{$a[0]}=$a[1]; ## Collect the sequences
## $k{ID}=SEQUENCE
END{open(A,"File02[contains my data that is missing FASTA sequences (ID file)]"); ## Open ID file
while(<A>){ ## and process it line by line
@a=split(/\s+/); ## Gather the IDs in array @a
print shift(@a); ## Print the first element (Jan123:)
print "$_ $k{$_}\n" for @a; ## Print each ID and its seq
}}'
答案1
awk '/^ *$/ {next;}; NR>1 {print bufline;};
{bufline=$1 " ";
for (i=2;i<=NF;i++)
{ if ($i ~ "^Des\\|" || $i ~ "^AB\\|") bufline=bufline sprintf("%s ",$i);
if ($i ~ "^Dul\\|") dul=$i;
};
};
END {print bufline " " dul;}' inputfile
答案2
这对你不起作用:
sort -k 2
基本上,默认情况下排序将按空格定义列,您可以更改此选项-t
。在本例中,我让它知道按第二个字段排序。从第一眼看上去,它就能满足您的需求。
如果你想进行连续排序,你仍然可以使用排序添加额外的-k
选项。来自手册页:
-k, --key=KEYDEF sort via a key; KEYDEF gives location and type
KEYDEF 是 F[.C][OPTS][,F[.C][OPTS]] 表示开始和停止位置,其中 F 是字段编号,C 是字段中的字符位置;都是原点1,停止位置默认为线尾
X1327159: AB|AB0003DMP400016823_AB0003DMT400024599 AB|AB0003DMP400017933_AB0003DMT400026257 Dul|Dul_comp58749_c0_seq2-1
X1314810: Des|Des_g33587.t1 Nig|Nig_comp84357_c0_seq1-1 AB|AB0003DMP400020961_AB0003DMT400030857 Phy|Phy_comp33112_c0_seq1-1 SaMi|SM_g27352.t1 SWtf|SW_g21774.t1 TAIR|AT4G14930.1 Tom|Solyc06g054250.2.1 Dul|Dul_comp63657_c0_seq2-1
X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802 SWtf|SW_g16502.t1
X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Dul|Dul_comp57659_c0_seq2-1 Dul|Dul_comp57659_c0_seq3-1 Dul|Dul_comp57659_c0_seq4-1 Ni