我想提取某些行及其后续测序数据。
有一个ecoli.ffn
文件如下:
$head ecoli.ffn
>ecoli16:g027092:GCF_000460315:gi|545267691|ref|NZ_KE701669.1|:551259-572036
ATGAGCCTGATTATTGATGTTATTTCGCGT
AAAACATCCGTCAAACAAACGCTGATTAAT
>ecoli16:g000011:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
>ecoli16:g000012:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
CTGACAGCTGTTCTTACACTGGATTCAACC
CTGACAGCTGTTCTTACACTGGATTCAACC
和index.txt如下
$head index.txt
g000011
g000012
我想做的是“从ecoli.ffn中提取index.txt”,理想的输出是:
>ecoli16:g000011:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
>ecoli16:g000012:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
CTGACAGCTGTTCTTACACTGGATTCAACC
CTGACAGCTGTTCTTACACTGGATTCAACC
我该怎么做?
答案 0 :(得分:1)
awk
救援!
$ awk -F: -v RS=">" 'NR==FNR{n=split($0,t,"\n");
for(i=1;i<n;i++) a[t[i]];
next}
$2 in a{printf "%s", RS $0}' index file
>ecoli16:g000011:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGATCTGACAGCTGTTCTTACACTGGATTCAACC
>ecoli16:g000012:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGATCTGACAGCTGTTCTTACACTGGATTCAACC
<强>更新强> 请注意,这并不取决于每条记录的行数。对于更新的输入文件,相同的脚本将为您提供此输出
$ awk -F: -v RS=">" 'NR==FNR{n=split($0,t,"\n");
for(i=1;i<n;i++) a[t[i]];
next}
$2 in a{printf "%s", RS $0}' index file
>ecoli16:g000011:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
>ecoli16:g000012:55989:gi|218693476|ref|NC_011748.1|:1128430-1131042
GTGTACGCTATGGCGGGTAATTTTGCCGAT
CTGACAGCTGTTCTTACACTGGATTCAACC
CTGACAGCTGTTCTTACACTGGATTCAACC
答案 1 :(得分:1)
使用awk编写一个简单的脚本ecoli.sh:
#!/bin/bash
a=`cat index.txt`
for i in $a
do
cat ecoli.ffn|awk -F: -v i="$i" 'BEGIN{flag=0} {if($2 == i){print $0;flag=1;} if(flag ==1 && $2 != i){print $0; flag=0;} }'
done
然后你需要在你的shell中运行这个脚本。
答案 2 :(得分:0)
此脚本可用于根据列表或文件根据其ID过滤FASTA文件,这似乎是您要求的:
https://github.com/jorvis/biocode/blob/master/fasta/filter_fasta_by_ids.pl