代码之家 › 专栏 › 技术社区 › Jose Ricardo Bustos M.

如何将fasta文件中的序列(几行)重新格式化为单行?[副本]

fasta sed bash

1

Jose Ricardo Bustos M. · 技术社区 · 9 年前

输入“file.fasta”( 笔记 ,这是一个示例……在fasta文件中,序列可能有三行以上)

>chr1:117223140-117223856 TAG:GTGGG
GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGtt
aGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTG
GTGGGCGACGACAgCGATATA
>chr2:117223140-117223856 TAG:GGGCT
ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaa
cCCCCCGACGACGACTCACGA

预期产量

>chr1:117223140-117223856 TAG:GTGGG
GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA
>chr2:117223140-117223856 TAG:GGGCT
ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

我的努力: sed 命令

sed ':a;N;$!ba;s/\([actgACGT]\)\n\([actgACGT]\)/\1\2/g' file.fasta

我的错误输出:

>chr1:117223140-117223856 TAG:GTGGGGTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA
>chr2:117223140-117223856 TAG:GGGCTACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

标头的正则表达式(第一个字母为“>”的行)是 "^>.*$" ,但我不知道如何包含在 已安装的 命令

提前谢谢

2 回复 | 直到 9 年前

1

potong 9 年前

这可能适用于您(GNU sed):

sed ':a;N;/>/!s/\n//;ta;P;D' file

查看两行,如果其中一行不包含 > 删除它们之间的换行符并重复。如果其中一行包含 > 然后打印并删除其中的第一个,然后重复。

2

1

John1024 David C. Rankin 9 年前

$ awk '/^>/ {print (NR>1?"\n":"")$0;; next} {printf "%s",$0;} END{print "";}' file.fasta 
>chr1:117223140-117223856 TAG:GTGGG
GTGGgggggcgCATAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGAGttaGTAGTATCGAATCGCACGACTGACAGCTCAGCATCAGCGACGACTAGTGGTGGGCGACGACAgCGATATA
>chr2:117223140-117223856 TAG:GGGCT
ACGAGCAGCAGCAGCAGCagCCGATCGACGACTCAAGTACGATACGCGaacCCCCCGACGACGACTCACGA

它的工作原理

/^>/ {print (NR>1?"\n":"")$0;; next}

如果该行以 > ,即如果正则表达式 /^>/ 如果为真,则打印该行。如果这不是第一行,即 NR>1 ,然后在该行前面打印一个换行符。然后,跳过其余命令并跳转到 next 线
printf "%s",$0;

对于所有其他行,打印时不要使用换行符。
END{print "";}

到达文件末尾后,打印最后一个换行符。