Question

我想从输入的fasta文件中检索n ^th序列（或者最好是n ^th到m ^th序列），理想情况下使用unix“one-liner”。

我知道我可以用perl（或任何其他脚本语言）读取序列，计数，然后打印序列，但我正在寻找更快更紧凑的东西。

对于那些不知道的人，示例fasta文件如下所示：

>SEQUENCE_1
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL
>SEQUENCE_2
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH

Answer 1

以下是使用awk的两种方式。

如果您的序列每行包裹1次，这将起作用：

awk -v n=5 -v m=8 'NR == n * 2 - 1, NR == m * 2' file.fa

如果未包装序列行，则可能更合适：

awk -v n=5 -v m=8 '/^>/ { c++ } c == n { f=1 } c == m + 1 { f=0 } f' file.fa

Answer 2

awk的一种方式：

awk -v RS='>' -v start=$n -v end=$m 'NR>=(start+1)&&NR<=(end+1){print ">"$0}' fasta_file

Answer 3

使用sed：

sed -n '/SEQUENCE_'$n'/,/SEQUENCE_'$(($m + 1))'/p' input | sed '$d'

Answer 4

sed一个班轮（不需要管道|）：

sed '/>SEQUENCE_'$n'/, />SEQUENCE_'$(($m + 1))'/!d;{/>SEQUENCE_'$(($m + 1))'/d}' file

从具有Regex的fasta文件中获取特定序列

4 个答案: