Question

我有一个多fasta文件，我需要从中提取100-200的基数，包括它们相应的标题。我知道'cut -c 100-200'可以在没有相应标题的情况下完成。有没有办法在Perl或bash中执行此操作？

示例文件：

8YS68_00009_00025 GAGTTTGATCCTGGCTCAGAGCGAACGCTGGCGGCAGGCTTAACACATGCAAGTCGAGCGGGCGTAGCAATACGTCAGCGGCAGACGGGTGAGTAACGCGTGGGAACATACCTTTTGGTTCGGAACAACACAGGGAAACTTGTGCTAATACCGGATAAGCTACGGGAAGATT 8YS68_00009_00027 GAGTTTGATCATGGCTCAGAGCGAACGCTGGCGGCAGGCCTAACACATGCAAGTCGAGCGCCGTAGCAATACGGAGCGGCAGACGGGTGAGTAACGCGTGGGAACGTACCTTTCGGTTCGGAATAACTCAGGGAAACTTGAGCTAATACCGAATACGTCCGTAAGGAGAAAGATTTATCGCCGAAAGATCGGCCCGCGTAAGATTAGCTAGTTGGTGAGGTAAGGCTCACCAAGCGACGATCGTTAGCTTGTC 8YS68_00012_00035 GAGTTTGATCATGGCTCAGAACGAACGTTGGCGGCGTGGATTAGGCATGCAAGTCGAACGAATCCCATCTGGGTAACTGGGTGGGGGAAGTGGCGAAAGGGGCAGTAATGCGTGGGTAACCTACCTGGGGACCGGGATAGCCTCCTAACGGATGGGTAATACCGGATACGACCTTCGGAGGCATCTCCTGAAGG

期望的输出： seq id ------ ----- ATCGATCGATCG

seq id ------ ----- ATCGATCGATCG

这意味着，我想准确地提取每个序列100-200之间的基础以及它们的标题。如果序列短于100 bp，则忽略它。

Answer 1

使用 Bio::SeqIO ，以下代码将从100提取到200并打印标题。

#!/usr/bin/perl 
use strict; 
use warnings;
use Bio::SeqIO;

my $in_file = "fasta_dat.txt"; 

my $in = Bio::SeqIO->new (-file=> $in_file, -format=>'fasta');
my $out = Bio::SeqIO->new( -file   => '>test.fasta',
                           -format => 'fasta');


while(my $seq = $in->next_seq() ) {
    my $subseq = $seq->trunc(100, 200);
    $out->write_seq($subseq);
}

更新：或者只是采用choroba的解决方案here

Answer 2

如果您想要的输出是另一个multi-fasta文件，那么您只需要awk一点。只需substring你想要的东西。

awk '!/^>/ { print substr($0, 100, 100); next }1' file.fa

最后的1返回true，启用文件中所有行的默认打印。其余的应该是自我解释的。 HTH。

猜测：

awk '/^>/ { h = $0; getline; print h RS substr($0, 100, 100) }' file.fa

或没有getline：

awk '/^>/ { h = $0; next } h { print h RS substr($0, 100, 100); h = "" }' file.fa

Answer 3

也许您可以使用以下python脚本：

    import sys,re
    i,list1 =0,[]
    for line in open(sys.argv[1]):
      if re.match(r'^[>|;]',line):  print line,
      else:
        for x in line:
          if x != "\n": i+=1
          if 100 < i < 200: list1.append(x)
    print "".join(list1)

Answer 4

在查看了这些建议并在这个问题上工作了一段时间之后，我在Perl中找到了一个解决方案。这是我在Perl中完成工作的重要“循环”，我写道。

my $seq  = '';
my $head ;

while (my $seq = <IN>) {
if ($seq =~ m/^>/){
    $head = $seq;
    }
    else{
    my $dna .=$seq;
    my $subseq = substr ($seq, 100, 100);
    my $size = length($subseq);
    if ($size > 99){
        print OUT "$head";
        print OUT "$subseq";
        } 
  }

}

谢谢大家的帮助和支持。

选择介于100 -200之间的基础并将其与标题一起打印

4 个答案: