Question

如何使用记录分隔符，然后同时使用子记录分隔符？也许这不是思考我想要做的事情的最佳方式。这是我的目标：

我想在指定的项目行中一次对单个制表符分隔项目执行while循环。对于制表符分隔项的每一行（行），我需要将所有while循环的结果打印到一个唯一的文件中。请允许以下示例帮助澄清。

我的输入文件将如下所示。它将被称为＆＃34; Clustered_Barcodes.txt＆＃34;

    TTTATGC TTTATGG TTTATCC TTTATCG
    TTTATAA TTTATAA TTTATAT TTTATAT TTTATTA
    CTTGTAA

我的perl代码如下所示：

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

    open(INFILE, "<", "Clustered_Barcodes.txt") or die $!;

    my %hash = (
            "TTTATGC" => "TATAGCGCTTTATGCTAGCTAGC",
            "TTTATGG" => "TAGCTAGCTTTATGGGCTAGCTA",
            "TTTATCC" => "GCTAGCTATTTATCCGCTAGCTA",
            "TTTATCG" => "TAGCTAGCTTTATCGCGTACGTA",
            "TTTATAA" => "TAGCTAGCTTTATAATAGCTAGC",
            "TTTATAA" => "ATCGATCGTTTATAACGATCGAT",
            "TTTATAT" => "TCGATCGATTTATATTAGCTAGC",
            "TTTATAT" => "TAGCTAGCTTTATATGCTAGCTA",
            "TTTATTA" => "GCTAGCTATTTATTATAGCTAGC",
            "CTTGTAA" => "ATCGATCGCTTGTAACGATTAGC",
    );

    while(<INFILE>) {
            $/ = "\n";
            my @lines = <INFILE>;
            open my $out, '>', "Clustered_Barcode_$..fasta" or die $!;
            foreach my $sequence (@lines){
                   if (exists $hash{$sequence}){
                   print $out ">$sequence\n$hash{$sequence}\n";
                   }
            }
   }

我想要的输出是三个不同的文件。第一个文件将被调用＆＃34; Clustered_Barcode_1.fasta＆＃34;并且看起来像：

    >TTTATGC
    TATAGCGCTTTATGCTAGCTAGC 
    >TTTATGG 
    TAGCTAGCTTTATGGGCTAGCTA 
    >TTTATCC
    GCTAGCTATTTATCCGCTAGCTA
    >TTTATCG
    TAGCTAGCTTTATCGCGTACGTA

请注意，这是格式化的，以便键前面有一个胡萝卜，然后在下一行是较长的关联序列（值）。此文件包含Clustered_Barcodes.txt

第一行中的所有序列

我的第三个文件应命名为＆＃34; Clustered_Barcode_3.fasta＆＃34;看起来如下：

    >CTTGTAA 
    ATCGATCGCTTGTAACGATTAGC

当我运行我的代码时，它只需要输入文件中的第二行和第三行序列。如何从第一行开始（通过删除记录分隔符的\ n要求）？然后，我如何一次处理每个项目，然后将该行的结果打印到一个文件中？此外，如果有一种方法可以将序列数量合并到文件名中，那就太棒了。这将有助于我以后按大小组织文件。例如，名称可能类似于＆＃34; Clusterd_Barcodes_1_File_3_Sequences.fasta＆＃34;。

谢谢大家。

Answer 1

好的，所以这是一种方法：

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

标准序言。

my %hash = (
    "TTTATGC" => "TATAGCGCTTTATGCTAGCTAGC",
    "TTTATGG" => "TAGCTAGCTTTATGGGCTAGCTA",
    "TTTATCC" => "GCTAGCTATTTATCCGCTAGCTA",
    "TTTATCG" => "TAGCTAGCTTTATCGCGTACGTA",
    "TTTATAA" => "TAGCTAGCTTTATAATAGCTAGC",
    "TTTATAA" => "ATCGATCGTTTATAACGATCGAT",
    "TTTATAT" => "TCGATCGATTTATATTAGCTAGC",
    "TTTATAT" => "TAGCTAGCTTTATATGCTAGCTA",
    "TTTATTA" => "GCTAGCTATTTATTATAGCTAGC",
    "CTTGTAA" => "ATCGATCGCTTGTAACGATTAGC",
);

设置序列的哈希值。

my $infile = 'Clustered_Barcodes.txt';
open my $infh, '<', $infile or die "$0: $infile: $!\n";

打开文件进行阅读。

chomp(my @rows = readline $infh);
my $row_count = @rows;

将所有行拖入内存以获取序列数。如果序列太多，这种方法就不会起作用（因为你的内存不足（但这取决于你有多少RAM）。）

my $i = 1;
for my $row (@rows) {

循环上线。

    my @fields = split /\t/, $row;

将每一行拆分为由制表符分隔的字段。

    my $outfile = "Clustered_Barcodes_${i}_File_${row_count}_Sequences.fasta";
    $i++;
    open my $outfh, '>', $outfile or die "$0: $outfile: $!\n";

打开当前输出文件和增量计数器。

    for my $field (@fields) {
        print $outfh ">$field\n$hash{$field}\n" if exists $hash{$field};
    }

将每个字段（及其映射）写入outfile。

我们已经完成了。与原始代码的主要区别在于使用split /\t/和foreach来循环一行中的字段。

我们也可以不吝啬地做到这一点：

while (my $row = readline $infh) {
    chomp $row;

逐行循环。这会将chomp(my @rows = readline $infh);中的4行替换为for my $row (@rows) {。

但是现在我们已经丢失了$i和$row_count变量，因此我们必须更改$outfile的初始化：

    my $outfile = "Clustered_Barcodes_$..fasta";

这应该是您需要的所有更改。（通过阅读$row_count两次（第一次只是为了计数，然后seek回到开头），你可以在这种情况下得到$infh;这是作为练习阅读器。）

Answer 2

我没有必要阅读我在这里看到的整个文件。你只需要遍历每一行的内容：

    while(my $line = <INFILE>) {
        chomp $line;
        open my $out, '>', "Clustered_Barcode_$..fasta" or die $!;
        foreach my $sequence ( split /\t/, $line ){
            if (exists $hash{$sequence}){
                print $out ">$sequence\n$hash{$sequence}\n";
            }
        }
    }

记录分隔符中的记录分隔符

2 个答案: