在C / C ++中遍历Fasta文件

Question

我正在用C / C ++编写一个程序来遍历一个格式如下的Fasta文件：

>ID and header information
SEQUENCE1
>ID and header information
SEQUENCE2

等等

以便找到所有唯一序列（检查是否有任何其他序列的子集） 并将唯一序列（和所有标题）写入输出文件。

我的方法是：

1. 在开头将所有序列复制到数组/列表中（更有效的方法是这样做？）
2. 抓取标头，将其附加到输出文件，将该标头的序列与列表/数组中的所有内容进行比较。如果是唯一的，请将其写在标题下，如果不删除它。

但是，我有点不确定如何正确阅读线条。我需要读取标题的顶行，然后“返回？”到下一行读取序列。有时序列跨越两行，所以我会使用>（来自上面的例子）作为分隔符吗？如果我使用C ++，我想我会使用iostream来实现这个目标吗？

如果有人能给我一个正确的方向推动我想要阅读我需要操作的信息/如何进行比较，我们将不胜感激。

Answer 1

首先，您可能希望使用存在alrady的内容，而不是编写自己的FASTA读取例程，请参阅：http://lh3lh3.users.sourceforge.net/parsefastq.shtml

在内部，您将拥有没有换行符的序列，这可能会有所帮助。我认为最高级别的最简单方法是

1. 循环使用fasta并将序列写入文件
2. 对该文件进行排序
3. 使用已排序的文件，可以更容易地选择子序列，因此编写一个程序来查找＆＃34;唯一的ID＆＃34;
4. 使用唯一的ID返回到原始的fasta并获取您需要的任何其他信息。