Question

我需要从这种格式转换FASTA标头：

GI | 351517969 | REF | NW_003613580.1 | Cricetulus griseus未置放的基因组支架，CriGri_1.0 scaffold329，全基因组鸟枪序列

到此：

NW_003613580.1 Cricetulus griseus未置入的基因组支架，CriGri_1.0 scaffold329，全基因组鸟枪序列

NW中的W可以是其他地址中的C，下划线后的位数也会变化。

我找到了一个perl脚本，可以将ID更改为其他格式，并尝试修改它。相关部分：

    while( $seq = $seq_in->next_seq() ) 
{
    my $seqName = $seq->id;
    $seqName =~ s/\|/\./g; #replace pipe with dot

        $seqName =~ s/(NW\_)/$1/;   

        #$seqName =~ s/(gi\.\w*)\..*/$1/; 

        $seq->id($seqName);
    $seq_out->write_seq($seq);
}

注释掉的seqname位是原始的。我希望将gi更改为NW会让它在标题后面开始阅读，但没有骰子。但是，将$ 1更改为随机文本确实会在NW中替换它，所以我不太确定。此外，替换管道的时期似乎没有任何逻辑原因消失（虽然我确实希望它们消失）。任何帮助，或至少一些关于搜索和替换如何在这里工作的资源将不胜感激。

Answer 1

拆分组件：

my @fastaHeaderComponents = split("\\|", $seq->id);

然后访问它们：

my $accessionId = $fastaHeaderComponents[3];
my $description = $fastaHeaderComponents[4];

并重建标题：

my $newFastaHeader = ">$accessionId $description";
$seq->id($newFastaHeader);

Answer 2

使用sed单行：

sed -r 's/^([^|]+\|){3}//;s/\|//' file

NW_003613580.1 Cricetulus griseus未置入的基因组支架，CriGri_1.0 scaffold329，全基因组鸟枪序列

使用sed解决方案的好处是，您可以指定要进行替换的行，例如仅使用1s进行替换，并使用-i选项将替换存储回来到文件：

sed -ri '1s/^([^|]+\|){3}//;1s/\|//' file

Regexplanation：

s/     # Substitution, 1s/ first line only, 2s/ second line..
^      # Match the start of the line
(      # Group pattern
[^|]+  # Match one or more character that isn't a |
\|     # Match the | (escaped)
)      # End grouped pattern
{3}    # Repeat grouped pattern 3 times
/      # Replace with 
/      # Nothing
;
s/     # Substitute, 1s/ first line only..
\|     # The remaining |
/      # Replace with
/      # Nothing

Answer 3

也许以下内容会有所帮助：

use strict;
use warnings;
use Bio::SeqIO;

my $seq_in  = Bio::SeqIO->new( -file => 'input.fas',   '-format' => 'Fasta' );
my $seq_out = Bio::SeqIO->new( -file => '>output.fas', '-format' => 'Fasta' );

while ( my $seq = $seq_in->next_seq ) {
    my $shortened_seq = Bio::Seq->new(
        -desc       => $seq->desc,
        -display_id => ( split /\|/, $seq->id )[-1]
    );

    $seq_out->write_seq($shortened_seq);
}

给出如下输入的FASTA标题：

>gi|351517969|ref|NW_003613580.1| Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence

它产生以下输出：

>NW_003613580.1 Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence

Answer 4

简短版本：使用split将序列拆分为数组。

my @parts = split( /\|/, $seq );

然后构建一个字符串以使用数组元素显示。

print $parts[3], ' ', $parts[4], etc....

Answer 5

这只是在管道字符上拆分原始标题（由可选空格包围）并重新加入所需字段

use strict;
use warnings;

my $header = 'gi|351517969|ref|NW_003613580.1| Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence';

$header = join ' ', (split /\s*\|\s*/, $header)[3,4];

print $header;

<强>输出

NW_003613580.1 Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence

Answer 6

这可能适合你（GNU sed）：

sed -r 's/^([^|]*\|){3}(N[WC]_[0-9.]+)\|/\2/' file

缩短FASTA头Perl

6 个答案: