如何以特定数量切割 fasta 序列并生成 ORF

Question 1

这个问题需要比这个论坛提供的更大的编程工作量（我以这种编程为生）。

这DDBJ/ENA/GenBank 文件格式（问题中的第一个文件）很复杂，并且允许 CDS（基因组序列的编码部分）不仅是简单的或连接的，而且是互补的及其组合。此外，位置坐标可以有修饰语对于通用解决方案来说，需要处理这个问题。

您最好询问当地的生物信息学家（或程序员）或在生物信息学论坛，例如 StackExchange生物信息学网站。他们会向您指出用于执行此类操作的现有工具，或者，了解生物信息学家，为您提供一些古怪的 BioPerl/BioPython 脚本，这些脚本可能会更有效；-)

一可能的路线是使用GenBank 特征提取器，但是在线使用它很可能不是除了小数据集之外的任何东西的最佳选择。

Answer

这个问题需要比这个论坛提供的更大的编程工作量（我以这种编程为生）。

这DDBJ/ENA/GenBank 文件格式（问题中的第一个文件）很复杂，并且允许 CDS（基因组序列的编码部分）不仅是简单的或连接的，而且是互补的及其组合。此外，位置坐标可以有修饰语对于通用解决方案来说，需要处理这个问题。

您最好询问当地的生物信息学家（或程序员）或在生物信息学论坛，例如 StackExchange生物信息学网站。他们会向您指出用于执行此类操作的现有工具，或者，了解生物信息学家，为您提供一些古怪的 BioPerl/BioPython 脚本，这些脚本可能会更有效；-)

一可能的路线是使用GenBank 特征提取器，但是在线使用它很可能不是除了小数据集之外的任何东西的最佳选择。

Question 2

尽管我给出了之前的答案，但我已经研究了从 fasta 文件中提取特定子序列的子问题。解决方案分为两部分：

一个sh执行命令行解析并调用...的 shell 脚本
awk解析 fasta 文件的脚本。

我决定将其发布在这里，因为它表明

如何在 shell 脚本中对选项进行命令行解析。
可以编写一个awk脚本，而不仅仅是awk“一句台词”。

假设：

序列 ID 将直接出现>在标题行的后面，后跟一个空格字符。
序列数据中没有任何空格。

该脚本称为extract.sh.

gi1234要运行，请获取位置 36 和 183（含）之间的序列 ID ：

$ sh extract.sh -i gi1234 -a 36 -b 183 <sequence.fa
ACAACAACAACACTGGGGGACACACTGGGACAACACTGGGGGACA
GGACACTGTACAACACTGGGTGTGTCGGGACAGTACACATGTTGGGGGGGTGTGTCGGACAACACTGGGGGACATGTGTG
TACAACACTGGGGGACAGTGACG

输出未格式化。在本例中，我获取了问题中的数据，并在运行脚本之前在每 80 个字符后插入换行符。

shell 脚本 ( extract.sh):

#!/bin/sh

usage() {
    cat <<USAGE_END
Usage:
    sh $0 -i seq_id -a start -b end <sequence.fa
USAGE_END
}

while getopts "a:b:i:" opt; do
    case $opt in
        a) start_pos="$OPTARG"  ;;
        b) end_pos="$OPTARG"    ;;
        i) seq_id="$OPTARG"     ;;
        *) usage; exit 1        ;;
    esac
done

if [ "x$seq_id" = "x" ]; then
    echo "Missing sequence ID (-i seq_id)"
    usage
    exit 1
fi

if [ "x$start_pos" = "x" -o "x$end_pos" = "x" ]; then
    echo "Missing either start or end coordinates (-a, -b)"
    usage
    exit 1
fi

if [ ! -f "extract.awk" ]; then
    echo "Can not find the extract.awk AWK script!"
    exit 1
fi

awk -v id="$seq_id" -v a="$start_pos" -v b="$end_pos" -f extract.awk

剧本awk（extract.awk）：

# state == 0:   not yet at wanted sequence entry in file
# state == 1:   found sequence entry, not yet at start position
# state == 2:   found start position, not yet at end position

# off:  offset in sequence read so far

BEGIN   { state = 0 }

state == 0 && $0 ~ "^>" id " " {
    # We found the sequence entry we're looking for.
    state = 1;
    off = 0;
    next;
}

state > 0 && /^>/  {
    # New sequence header found while parsing sequence, terminate.
    exit;
}

state == 1 {
    len = length($0);

    if (len + off < a) {
        # Start position is not on this line.
        off += len;
        next;
    }

    state = 2;

    if (len + off >= b) {
        # Whole sequence is found on this line.
        print(substr($0, a - off, b - a + 1))
        exit;
    }

    # Output partial start of sequence.
    print(substr($0, a - off , len - (a - off) + 1))

    off += len;

    next;
}

state == 2 {
    len = length($0);

    if (off > b) {
        # (we should not arrive here)
        exit;
    }

    if (len + off < b) {
        # End position is not on this line.
        print($0);
        off += len;
        next;
    }

    # We found the end position, output line until end position
    # and terminate.
    print(substr($0, 1, b - off));
    exit;
}

Answer