使用ID从fasta文件中检索DNA序列

Question

我有两个文件，一个只包含ID，另一个是包含序列的fasta文件（包括ID），file_1中的所有ID都在file_2中。我需要从file_2检索每个ID的完整序列，检索到的序列应该包含完整的seq记录（应该包含标识符后跟序列）

file_1.txt
BGIBMGA000006
BGIBMGA005922
BGIBMGA005925
BGIBMGA008023
BGIBMGA005928
BGIBMGA009805

file_2.fasta
>BGIBMGA000006 BGIBMGA000006-PA B6DXA9 Osiris 18
MARIIVLLSIVAFASATYPASKLVKNIYNECLSQYSVECVKPRTLQWMSSVANDDEIKIT
EDLSIVKTGTVEDDESADPRLAKDPAYEMFDKVDKFLQSHTLRVKVPEEITKSAASEYVP
RSLLTDLPSELDMPLDGEDEAEVVEGRKKKIKLPKPLRIKSKHGFIKKVILPFLLGLKFK
>BGIBMGA000010 BGIBMGA000010-PA B6DXB0 Osiris 9; Uncharacterized 
MKCLVVLMVIGVAWAMPAAEQDSDPNILGSVLGVVKECVDGDVTLCLKEKALRYVETLRS
KREITLVDGVTLDSKGSPRSARALEPLPEEPKAREAQVESRLVDGVADFLENYVVQFKLP
>BGIBMGA000012 BGIBMGA000012-PA H9IRZ2 Uncharacterized protein 
MLKYIALLALTASVQCNPLKENSISENLVGVISECIERDTSLCIKEKALKFTERLAFSKD
MNIFDGMSLVNIGSARSARSYEPLAEDPKARELQLDERIADNMGDFLENHVIQLRLSEPE
AESRSLDDEARGKKKKKLKQLLPLLLLLKLKLAALIPLFLGIIAFVAVKAVFLGKIAFAM
>BGIBMGA000022 BGIBMGA000022-PA H9IRZ2 Uncharacterized protein 
MLKYIALLALTASVQCNPLKENSISENLVGVISECIERDTSLCIKEKALKFTERLAFSKD
MNIFDGMSLVNIGSARSARSYEPLAEDPKARELQLDERIADNMGDFLENHVIQLRLSEPE
AESRSLDDEARGKKKKKLKQLLPLLLLLKLKLAALIPLFLGIIAFVAVKAVFLGKIAFAM

ID BGIBMGA005922的样本输出应为

>BGIBMGA000022 BGIBMGA000022-PA H9IRZ2 Uncharacterized protein 
MLKYIALLALTASVQCNPLKENSISENLVGVISECIERDTSLCIKEKALKFTERLAFSKD
MNIFDGMSLVNIGSARSARSYEPLAEDPKARELQLDERIADNMGDFLENHVIQLRLSEPE
AESRSLDDEARGKKKKKLKQLLPLLLLLKLKLAALIPLFLGIIAFVAVKAVFLGKIAFAM

My Awk的使用仍然非常基础。我尝试了几次但没有好结果。任何帮助，请

Answer 1

AWK脚本

这是一个简单的AWK脚本，应该按照我的想法做到（称之为findfasta.awk）：

#!/usr/bin/awk
BEGIN {
    while ( getline < "-" ) {
        selected[$0] = 1
    }
    RS=">"
}
$1 in selected {
    printf ">%s", $0
}

应该像这样调用：

    cat file1.txt | awk -f findfasta.awk file2.txt

它会打印＆＃34; fasta＆＃34;的所有记录。文件file2.txt，其中包含file1.txt中包含的ID。使用您的file1.txt和file2.txt，它会产生：

>BGIBMGA000006 BGIBMGA000006-PA B6DXA9 Osiris 18
MARIIVLLSIVAFASATYPASKLVKNIYNECLSQYSVECVKPRTLQWMSSVANDDEIKIT
EDLSIVKTGTVEDDESADPRLAKDPAYEMFDKVDKFLQSHTLRVKVPEEITKSAASEYVP
RSLLTDLPSELDMPLDGEDEAEVVEGRKKKIKLPKPLRIKSKHGFIKKVILPFLLGLKFK

我假设你的＆＃34;样本输出＆＃34;应该为ID BGIBMGA000022提供什么，并且您BGIBMGA005922的ID是拼写错误。如果这个假设不正确，请纠正我。

如何运作

此脚本首先从 stdin （"-"）中读取行，这是file1.txt的转储。希望file1.txt不会太长，因为它必须保存在内存中。数组selected是一个关联数组。只使用密钥，值可以是任何值（上面使用1）。我认为它是作为某种哈希表实现的，因此检查包含（in）应该很快。最大的问题是file1.txt的大小，因为它必须适合内存中的这种结构。

然后脚本继续输入文件file2.txt（＆＃34; fasta＆＃34;文件）。每条记录由>分隔。如果记录的第一个字段位于selected ID中，它将打印整个记录以及替换的>（已从解析中删除）。

考虑更多编程

如果你要经常做这样的生物信息学，我建议学习一种更强大，更有效的编程语言。 AWK非常适合短小而简单的东西，我很喜欢它，但它确实有它的局限性。当您开始处理越来越多的数据时，您需要更高效和更具表现力的东西。

有一个名为ROSALIND的精彩网站，专为生物信息学人士设计。它有练习和教程来帮助你学习Python，还有problem set来测试你的技能。