Question

我正在尝试使用awk编辑fastq文件。

@someheader example fastq file
TGTACTTAGAGAAGCGC
+
BDDADHHIHHHIICHIG
@nextheader
CCGTAACCTGGGCAGTG
+
DDDDDHIIIIIIIIIII

我想要实现的目标是：

寻找以下正则表达式：/ AGATCGGAAG [ATGC] {0,24} $ / - 如果可能的话只能在其实际可能找到的行中（例如，行2,6,10，x + 2％4 = 0基本上）
如果找到，请删除匹配
然后在当前行

到目前为止，基于正则表达式编辑一行对我来说没有问题，我用过：

awk '{ gsub(/AGATCGGAAG[ATGC]{0,24}$/, ""); print RLENGTH }'

但我不知道如何在2行后删除相同数量的字符。我很缺乏经验，只是开始学习awk，所以欢迎任何帮助。

问候

编辑：以下是包含上述模式的示例

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCGAGATCGGAAGAG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHCHDHHHFEEHHHH

这应该是输出：

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHC

该文件包含4000万条这样的条目，其中〜250k包含模式

Answer 1

这可能会有效，但由于您的示例输入不包含与正则表达式匹配的任何行，并且您没有提供任何预期的输出，当然它未经测试：

NR%4 == 2 { match($0,/AGATCGGAAG[ATGC]{0,24}$/) }
RSTART && (NR%4 ~ /^[02]$/) { $0 = substr($0,1,RSTART-1) }
{ print }

Answer 2

Perl解决方案：

#! /usr/bin/perl
use warnings;
use strict;

my $length;
while (<>) {                            # Read line by line.
    if (2 == $. % 4) {
        $length = length $1 if s/(TAGAGA[ACTG]{0,7})$//;
    } elsif (0 == $. % 4 && $length) {  # We should shorten this line.
        s/.{$length}$//;
        undef $length;                  # Done.
    }
    print;
}

Answer 3

它有点长，但它应该有效：

awk '
    BEGIN {
        n=-1
        pat="AGATCGGAAG[ATGC]{0,24}$"
    }
    NR%4==2 && $0 ~ pat {
        match($0, pat);
        gsub(pat, "");
        n=NR+2;
    }
    NR==n {
        print substr($0,1,RSTART-1) substr($0,RSTART+RLENGTH)
        next
    }
    { print }

'

使用awk查找可变长度的正则表达式，并根据找到的长度编辑以下行

3 个答案: