Question

我有以下FASTA文件：

>header1
CGCTCTCTCCATCTCTCTACCCTCTCCCTCTCTCTCGGATAGCTAGCTCTTCTTCCTCCT
TCCTCCGTTTGGATCAGACGAGAGGGTATGTAGTGGTGCACCACGAGTTGGTGAAGC
>header2
GGT
>header3
TTATGAT

我想要的输出：

>header1
117
>header2
3
>header3
7
# 3 sequences, total length 127.

这是我的代码：

awk '/^>/ {print; next; } { seqlen = length($0); print seqlen}' file.fa

我使用此代码获得的输出是：

>header1
60
57
>header2
3
>header3
7

我需要进行一些小修改才能处理多个序列行。

我还需要一种方法来获得总序列和总长度。欢迎任何建议......请在bash或awk中。我知道在Perl / BioPerl中很容易做到这一点，实际上，我有一个脚本可以用这些方式来做。

Answer 1

awk / gawk解决方案可以分为三个阶段：

每次发现header时，都应执行以下操作：
- 打印上一个序列（如果存在）。
- 打印标签。
- 初始化 seqlen 。
对于sequence行，我们只需要累计总计。
最后在END阶段，我们打印残余序列。

评论代码：

awk '/^>/ { # header pattern detected
        if (seqlen){
         # print previous seqlen if exists 
         print seqlen
         }

         # pring the tag 
         print

         # initialize sequence
         seqlen = 0

         # skip further processing
         next
      }

# accumulate sequence length
{
seqlen += length($0)
}
# remnant seqlen if exists
END{if(seqlen){print seqlen}}' file.fa

oneliner ：

awk '/^>/ {if (seqlen){print seqlen}; print ;seqlen=0;next; } { seqlen += length($0)}END{print seqlen}' file.fa

总计：

awk '/^>/ { if (seqlen) {
              print seqlen
              }
            print

            seqtotal+=seqlen
            seqlen=0
            seq+=1
            next
            }
    {
    seqlen += length($0)
    }     
    END{print seqlen
        print seq" sequences, total length " seqtotal+seqlen
    }' file.fa

Answer 2

我想与klashxx的回答分享一些可能有用的调整。它的输出不同之处在于它在一行上打印序列id及其长度，它不再是单行，所以缺点是你必须将它保存为脚本文件。

它还会根据空格（chrM中的>chrM gi|251831106|ref|NC_012920.1|）从标题行中解析出序列ID。然后，您可以通过设置变量target来选择基于ID的特定序列，如下所示：$ awk -f seqlen.awk -v target=chrM seq.fa。

BEGIN {
  OFS = "\t"; # tab-delimited output
}
# Use substr instead of regex to match a starting ">"
substr($0, 1, 1) == ">" {
  if (seqlen) {
    # Only print info for this sequence if no target was given
    # or its id matches the target.
    if (! target || id == target) {
      print id, seqlen;
    }
  }
  # Get sequence id:
  # 1. Split header on whitespace (fields[1] is now ">id")
  split($0, fields);
  # 2. Get portion of first field after the starting ">"
  id = substr(fields[1], 2);
  seqlen = 0;
  next;
}
{
  seqlen = seqlen + length($0);
}
END {
  if (! target || id == target) {
    print id, seqlen;
  }
}

Answer 3

使用任何awk的快速方法是：

awk '/^>/{if (l!="") print l; print; l=0; next}{l+=length($0)}END{print l}' file.fasta

您可能还对BioAwk感兴趣，它是awk的改编版本，已调整为处理FASTA文件

bioawk -c fastx '{print ">" $name ORS length($seq)}' file.fasta

注意：：BioAwk基于Brian Kernighan's awk中记录的"The AWK Programming Language", by Al Aho, Brian Kernighan, and Peter Weinberger (Addison-Wesley, 1988, ISBN 0-201-07981-X) 。我不确定该版本是否与POSIX兼容。

FASTA文件的序列长度

3 个答案: