Question

我有一个看起来像这样的多个fasta文件：

>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
...

我有第二个文件，其中包含序列名称和旁边的数字，如下所示：

sequence_1 3
sequence_2 5
...

我想将fasta文件中的序列复制多次，如第二个文件中第二列所定义，以获得以下输出：

>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
...

有没有人为此提供grep或AWK（或任何其他unix命令）的解决方案？非常感谢您的帮助

Answer 1

一个真正丑陋但有效的解决方案：

awk -F' ' '{ for(i=1; i<$2;i++) print $1}' names.txt | awk '{print $1}' | xargs -n 1 -I '{}' grep -A 1 {} seq.fasta

第一个awk语句使用名称和重复文件拆分文件并多次打印
第二个awk个参数会打印每一行（grep忽略相同的模式，针对此特定＆＃34;特征＆＃34; grep）的解决方法
接下来，我们使用xargs将这些行传递给grep

输出：

>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL

对于大型文件，肯定不是多次调用grep而不是重复输出的最佳性能解决方案。

Answer 2

如果你的序列总是有一行：

$ cat sequence.fasta 
sequence_1 3
sequence_2 5

$ cat file.fasta 
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL

$ awk 'NR==FNR{s[">"$1]=$2;next}
       $1 in s{getline fasta
             for (i=1;i<=s[$1];i++){
               print $1
               print fasta
               }
     }' sequence.fasta file.fasta

<强>结果

>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_1
MTAGAAAPSATGSDAAAELSELYR
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL
>sequence_2
SAPDEPVAVVGLACRLPGAADPEAFWALL

Answer 3

非常感谢！我也找到了一种方法（非常简单，实际上）用R来做。我在这里发布它以防有人感兴趣：首先，您必须使用Biostrings包中的readAAStringSet函数和带有read.delim函数的表文件将fasta文件读入R中。然后使用函数rep来完成工作：

    fastafile <- readAAStringSet("file.fasta")
    secondfile <- read.delim("second.file", header=F, sep=" ")
    multiply <- rep(fastafile, secondfile$V2)

根据表的定义，多次复制multifasta文件中的特定序列

3 个答案: