Question

我有一个中等大小的fasta格式文件，它有一个复杂的标题。我需要根据另一个文件中的值（8位数字）拉出序列。我可以使用＆＃39; grep -20＆＃34; value＆＃34;来获取序列。 fasta.file＆＃39 ;.一些序列非常大，我经常需要调整行数以获得整个序列。然后我必须复制并粘贴到另一个文件中。现在，我有太多的值（1000）手动执行此操作。我发现这样做的工具到目前为止还没有工作......

fasta格式文件如下所示：

>transcript_cluster:RaGene-2_0-st-v1:17818557; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134300789; Stop=134300869; Strand=+; Length=80;
GGATCATTGATGACCATAAAAGATGTGGGAGTCGTCTGAAACATGCATGATGACCACAAC
ATTGAGAGTCTGAGGTCCAC
>transcript_cluster:RaGene-2_0-st-v1:17818559; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134301675; Stop=134301762; Strand=+; Length=87;
GGATCATTGATGACCAAAAAAAAAAAAACATCTGGGAGTCCTCTGAGACATCCATGATGA
CCACAACATTGGGAGTCTGAGGTCCAC

如果我使用命令grep -4 "17818557" fasta.fa，我得到：

ATTGCGAGTCTGAGGTCCAC
>transcript_cluster:RaGene-2_0-st-v1:17818555; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134299894; Stop=134299978; Strand=+; Length=84;
GGATCATTGATGACCAGAAAAAAATCATCTCGGAGTCCTCTGAGACATCCATGATGACCA
CAACATTGGGAGTCTGAGGTCCAC
>transcript_cluster:RaGene-2_0-st-v1:17818557; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134300789; Stop=134300869; Strand=+; Length=80;
GGATCATTGATGACCATAAAAGATGTGGGAGTCGTCTGAAACATGCATGATGACCACAAC
ATTGAGAGTCTGAGGTCCAC
>transcript_cluster:RaGene-2_0-st-v1:17818559; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134301675; Stop=134301762; Strand=+; Length=87;
GGATCATTGATGACCAAAAAAAAAAAAACATCTGGGAGTCCTCTGAGACATCCATGATGA

grep -4在上方和下方抓取四条线。我需要做的是使用数字查询并仅拉出fasta标题下面的序列数据（＆gt;）。将fasta标题下面的序列收集到下一个fasta标题，即来自＆gt;将是很好的。到＆gt;。

我尝试了一些UCSC工具＆＃39; faSomeRecord＆＃39;和一些perl脚本。他们没有使用列表文件或命令行中的数字查询，有和没有＆＃39; transcript_cluster：RaGene-2_0-st-v1：＆＃39;加成。我认为它是冒号或因为标题包含可变的位置和长度。

非常感谢任何评论或帮助！

编辑30July14

感谢我在这里收到的帮助。我能够使用这个bash脚本将数据从一个文件获取到另一个文件：

#!/usr/bin/bash

filename='21Feb14_list.txt'
filelines=`cat $filename`

for i in $filelines ; do

        awk '/transcript/ && f==1 {f=0;next} /'"$i"'/ {f=1} f==1{print $1}' RaGene-2_0-st-v1.rn4.transcript_cluster.fa

done

这会拉出序列，但会将数据截断为通配符值。有没有办法修改它，以便我可以得到整个标题？

示例输出：

>transcript_cluster:RaGene-2_0-st-v1:17719499;
ATGCCTGAGCCTTCGAAATCTGCACCAGCTCCTAAGAAGGGCTCTAAGAAAGCTATCTCT
AAAGCTCAGAAAAAGGATGGCAAGAAGCGCAAGCGTAGCCGCAAGGAGAGCTATTCCGTG
TACGTGTACAAGGTGCTGAAGCAAGTGCACCCGGACACCGGCATCTCTTCCAAGGCCATG
GGCATCATGAACTCGTTCGTGAACGACATCTTCGAGCGCATCGCGGGCGAGGCGTCGCGC
CTGGCGCATTACAACAAGCGCTCGACCATCACGTCCCGGGAGATCCAGACCGCCGTGCGC
CTGCTGCTGCCGGGGGAGCTGGCCAAGCACGCGGTGTCGGAAGGCACCAAGGCGGTCACC
AAGTACACCAGCTCCAAGTG
>transcript_cluster:RaGene-2_0-st-v1:17623679;

再次感谢!!

Answer 1

$ awk '/transcript/ {f=0} /17818557/ {f=1} f==1{print}' fasta
>transcript_cluster:RaGene-2_0-st-v1:17818557; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134300789; Stop=134300869; Strand=+; Length=80;
GGATCATTGATGACCATAAAAGATGTGGGAGTCGTCTGAAACATGCATGATGACCACAAC
ATTGAGAGTCTGAGGTCCAC

工作原理：

代码使用一个名为f的标志来决定是否应该打印一行。逐个接受每个命令：

/transcript/ {f=0}

如果＆＃34;成绩单＆＃34;出现在行中，表示标题，我们将标记设置为0。
/17818557/ {f=1}

如果该行包含我们的密钥17818557，我们会将标记设置为1
f==1{print}

如果标记为1，请打印该行。

Answer 2

sed '1,/17818557/d;/>/,$d' file

输出：

GGATCATTGATGACCATAAAAGATGTGGGAGTCGTCTGAAACATGCATGATGACCACAAC
ATTGAGAGTCTGAGGTCCAC

使用标题：

id=17818557
sed "/$id/p;1,/$id/d;/>/,\$d" file

输出：

>transcript_cluster:RaGene-2_0-st-v1:17818557; Assembly=build-Rnor3.4/rn4; Seqname=chr6; Start=134300789; Stop=134300869; Strand=+; Length=80;
GGATCATTGATGACCATAAAAGATGTGGGAGTCGTCTGAAACATGCATGATGACCACAAC
ATTGAGAGTCTGAGGTCCAC

使用grep或awk将一系列数据从唯一字符拉出到唯一字符

2 个答案:

工作原理：