如果名称行与另一个文件匹配，如何获取 fasta 序列

Question

我有一个包含多行标题的文件（文件 1），以及另一个包含 fasta 格式序列的文件（文件 2）。grep如果文件 1 中的标题行与文件 2 匹配，我想对序列进行 fasta 处理。

例子：

文件 1：

>sp|B7UM99|TIR_ECO27
>sp|P06616|ERA_ECOLI

文件 2：

>sp|B7UM99|TIR_ECO27
MPIGNLGNNVNGNHLIPPAPPLPSQTDGAA
RGGTGHLISSTGALGSRSLFSPLRNSMADS
VDSRDIPGLPTNPSRLAAATSETCLLGGFE
VLHDKGPLDILNTQIGPSAFRVEVQADGTH
......
>sp|P06616|ERA_ECOLI
MSIDKSYCGFIAIVGRPNVGKSTLLNKLL
GQKISITSRKAQTTRHRIVGIHTEGAYQAIY
VDTPGLHMEEKRAINRLMNKAASSSIGDVE
LVIFVVEGTRWTPDDEMVLNKLREGKAPVI
............
>sp|P0AD68|HUMAN
MKAAAKTQKPKRQEEHANFISWRFALLCGC
ILLALAFLLGRVAWLQVISPDMLVKEGDMR
SLRVQQVSTSRGMITDRSGRPLAVSVPVKA
IWADPKEVHDAGGISVGDRWKALANALNIP
.............

期望输出

>sp|B7UM99|TIR_ECO27
MPIGNLGNNVNGNHLIPPAPPLPSQTDGAA
RGGTGHLISSTGALGSRSLFSPLRNSMADS
VDSRDIPGLPTNPSRLAAATSETCLLGGFE
VLHDKGPLDILNTQIGPSAFRVEVQADGTH
......
>sp|P06616|ERA_ECOLI
MSIDKSYCGFIAIVGRPNVGKSTLLNKLL
GQKISITSRKAQTTRHRIVGIHTEGAYQAIY
VDTPGLHMEEKRAINRLMNKAASSSIGDVE
LVIFVVEGTRWTPDDEMVLNKLREGKAPVI
............

Answer 1

好的，这是您想要执行的一个稍微复杂的 grep。过去，我用 Perl 编写了程序来执行此操作，但实际上有一个相当简单的 shell 用法可以执行此操作。首先，grep 不能进行多行匹配，因此我们需要一个可以执行此操作的类似 grep 的工具。pcregrep类似于 grep，但具有多行功能，如建议的那样堆栈溢出。

sudo apt-get install pcregrep

为此，我们必须完成以下步骤。

1) 为 id 文件中的所有特殊字符添加转义符。

sed 's/[^a-zA-Z 0-9]/\\&/g' id_file.txt > search_file.txt

我从unix.com——shell 脚本。

2）接下来，我们将搜索模式的其余部分添加到行尾。

sed -i 's/\>$/\$\[^\>\]\*/' search_file.txt

修改自堆栈交换和炮弹黑客。

3) 最后，我们可以使用此搜索文件作为 pcregrep 的输入，并使用 fasta 文件来选择我们想要的序列。

pcregrep -M -f search_file.txt sequences.fasta

正如@DavidForester 所说上一个问题但现在使用 pcregrep 进行多行匹配。

把所有这些放在一起；我们可以把所有事情都做成像这样（稍微复杂一点的）一行代码。

sed 's/[^a-zA-Z 0-9]/\\&/g' id_file.txt | sed 's/\>$/\$\[^\>\]\*/'| pcregrep -M -f /dev/stdin sequences.fasta

这样做的好处是不需要额外的文件。

简而言之，我们将输出通过管道传输到命令之间以获取正确的搜索字符串，然后pcregrep使用-f /dev/stdin标志将其传输到管道。我的测试表明，这会产生您请求的准确输出。我希望两年前我需要它时能够想出这个！

Answer 2

您可以通过循环内的简单 awk 命令来完成此操作：

$ while IFS= read -r tag; do
    # Execute the awk command with the current tag
    awk -v t="$tag" '/^>/{f=(t==$0)} f' fasta-1141936        
done < fasta-tags 

>sp|B7UM99|TIR_ECO27
MPIGNLGNNVNGNHLIPPAPPLPSQTDGAA
RGGTGHLISSTGALGSRSLFSPLRNSMADS
VDSRDIPGLPTNPSRLAAATSETCLLGGFE
VLHDKGPLDILNTQIGPSAFRVEVQADGTH
>sp|P06616|ERA_ECOLI
MSIDKSYCGFIAIVGRPNVGKSTLLNKLL
GQKISITSRKAQTTRHRIVGIHTEGAYQAIY
VDTPGLHMEEKRAINRLMNKAASSSIGDVE
LVIFVVEGTRWTPDDEMVLNKLREGKAPVI

在哪里：

$ cat fasta-1141936 
>sp|B7UM99|TIR_ECO27
MPIGNLGNNVNGNHLIPPAPPLPSQTDGAA
RGGTGHLISSTGALGSRSLFSPLRNSMADS
VDSRDIPGLPTNPSRLAAATSETCLLGGFE
VLHDKGPLDILNTQIGPSAFRVEVQADGTH
>sp|P06616|ERA_ECOLI
MSIDKSYCGFIAIVGRPNVGKSTLLNKLL
GQKISITSRKAQTTRHRIVGIHTEGAYQAIY
VDTPGLHMEEKRAINRLMNKAASSSIGDVE
LVIFVVEGTRWTPDDEMVLNKLREGKAPVI
>sp|P0AD68|HUMAN
MKAAAKTQKPKRQEEHANFISWRFALLCGC
ILLALAFLLGRVAWLQVISPDMLVKEGDMR
SLRVQQVSTSRGMITDRSGRPLAVSVPVKA
IWADPKEVHDAGGISVGDRWKALANALNIP

和

$ cat fasta-tags 
>sp|B7UM99|TIR_ECO27
>sp|P06616|ERA_ECOLI