如何删除包含Ns的fasta格式化序列

Question

我有一个类似

的fasta文件

">ENS..._intronX
acgtacgtacgtacgt
">ENS..._intronY
acgtacgtNNNNa
acgtacgtacgtacgt
">ENS..._intronZ
acgtacgtacgtacgt
acgtacgtacgtacgt

我需要删除连续至少2 N的序列（因为这些内含子被错误注释）。

这里，它将是序列" >ENS..._intronY "（第3行，第4行和第5行应该删除）

有什么建议吗？

谢谢，

Answer 1

gawk

awk -v RS='">' '!/NN/{printf $0RT}' file
">ENS..._intronX
acgtacgtacgtacgt
">ENS..._intronZ
acgtacgtacgtacgt
acgtacgtacgtacgt    

Answer 2

由于您似乎正在寻求生物信息学，因此请考虑熟悉Bio::SeqIO，因为它对此以及许多其他fasta解析作业有所帮助：

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

my $in = Bio::SeqIO->new( -file => shift, -format => 'Fasta' );

while ( my $seq = $in->next_seq() ) {
    print '>' . $seq->id . ' ' . $seq->desc . "\n" . $seq->seq . "\n"
      if $seq->seq !~ /nn/i;
}

用法：perl script.pl inFile [>outFile]

最后一个可选参数将输出定向到文件。

数据集输出：

>ENS..._intronX 
acgtacgtacgtacgt
>ENS..._intronZ 
acgtacgtacgtacgtacgtacgtacgtacgt

希望这有帮助！