Question

我正在尝试操纵Fastq文件。它看起来像这样：

@HWUSI-EAS610:1:1:3:1131#0/1
GATGCTAAGCCCCTAAGGTCATAAGACTGNNANGTC
+
B<ABA<;B@=4A9@:6@96:1??9;>##########
@HWUSI-EAS610:1:1:3:888#0/1
GATAGGACCAAACATCTAACATCTTCCCGNNGNTTC
+
B9>>ABA@B7BB:7?@####################
@HWUSI-EAS610:1:1:4:941#0/1
GCTTAGGAAGGAAGGAAGGAAGGGGTGTTCTGTAGT
+
BBBB:CB=@CB@?BA/@BA;6>BBA8A6A<?A4?B=
...
...
...
@HWUSI-EAS610:1:1:7:1951#0/1
TGATAGATAAGTGCCTACCTGCTTACGTTACTCTCC
+
BB=A6A9>BBB9B;B:B?B@BA@AB@B:74:;8=>7

我的预期输出是：

@HWUSI-EAS610:1:1:3:1131#0/1
GACNTNNCAGTCTTATGACCTTAGGGGCTTAGCATC
@HWUSI-EAS610:1:1:3:888#0/1
GAANCNNCGGGAAGATGTTAGATGTTTGGTCCTATC
@HWUSI-EAS610:1:1:4:941#0/1
ACTACAGAACACCCCTTCCTTCCTTCCTTCCTAAGC

因此，ID行是以@HWUSI开头的那些（即@ HWUSI-EAS610：1：1：7：1951＃0/1）。在每个ID之后，有一行及其序列。现在，我想获取一个只有每个ID及其对应序列的文件，序列应该是反向和补码。（A = T，T = A，C = G，G = C）使用Sed，我可以使用命令

获得所有序列的反向和互补

sed -n '2~4p' MYFILE.fq | rev | tr ATCG TAGC

我如何获得相应的ID？

Answer 1

使用sed：

sed -n '/@HWUSI/ { p; s/.*//; N; :a /\n$/! { s/\n\(.*\)\(.\)/\2\n\1/; ba }; y/ATCG/TAGC/; p }' filename

其工作原理如下：

/@HWUSI/ {                     # If a line starts with @HWUSI
  p                            # print it
  s/.*//                       # empty the pattern space
  N                            # fetch the sequence line. It is now preceded
                               # by a newline in the pattern space. That is
                               # going to be our cursor
  :a                           # jump label for looping
  /\n$/! {                     # while the cursor has not arrived at the end
    s/\n\(.*\)\(.\)/\2\n\1/    # move the last character before the cursor
    ba                         # go back to a. This loop reverses the sequence
  }
  y/ATCG/TAGC/                 # then invert it
  p                            # and print it.
}

我故意将换行符留在那里以获得更可读的间距;如果不需要，请将最后p替换为P（大写而不是小写）。在p打印整个模式空间的地方，P仅在第一个换行符之前打印内容。

Answer 2

$ sed -n '/^[^@]/y/ATCG/TAGC/;/^@/p;/^[ATCGN]*$/p' file
@HWUSI-EAS610:1:1:3:1131#0/1
CTACGATTCGGGGATTCCAGTATTCTGACNNTNCAG
@HWUSI-EAS610:1:1:3:888#0/1
CTATCCTGGTTTGTAGATTGTAGAAGGGCNNCNAAG
@HWUSI-EAS610:1:1:4:941#0/1
CGAATCCTTCCTTCCTTCCTTCCCCACAAGACATCA
@HWUSI-EAS610:1:1:7:1951#0/1
ACTATCTATTCACGGATGGACGAATGCAATGAGAGG

解释

/^[^@]/y/ATCG/TAGC/  # Translate bases on lines that don't start with an @    
/^@/p                # Print IDs
/^[ATCGN]*$/p        # Print sequence lines

从FASTQ文件中提取ID和序列

2 个答案: