如何使用python或linux命令通过在本地数据库中搜索将蛋白质ID转换为蛋白质名称？

Question

我有两个文件： ID.txt包含蛋白质ID，如下所示：

KKP65897.1
KKP42119.1
KKP91065.1
OGY93232.1

另一个文件是nr.faa。这是从NCBI下载的数据库fasta格式文件。就像这样：

>KKP42119.1 hypothetical protein DDB_G027.......
MASTQNTVEEVAQJML.......
>KKP65897.1 hypothetical protein DDB_G127.......
MATSREEQNTVEEVAQJML.......

我想通过IDs.txt中的名称在此fasta数据库文件中搜索，并返回蛋白质名称，如“假设蛋白质”，并将它们存储在txt文件中。通过这种方式，我将ID与蛋白质名称链接起来。

数据库文件很大~7G，我还提取了标题行'＆gt; .....'并将其保存到txt文件（~3G）。也许在该文件中搜索更快。

如何在Python或linux命令行中执行此操作？

谢谢。

Answer 1

在bash中你可以简单地使用grep来获取与搜索字符串匹配的行：

grep "KKP65897.1" database.txt

Answer 2

  

并返回蛋白质名称，如“假设蛋白质”，然后储存   它们在txt文件中

使用强大的 awk 工具：

awk 'NR==FNR{ a[$1];next }/^>/ && (substr($1,2) in a){ print $2,$3 }' id.txt nr.fa > prot_names.txt

生成的prot_names.txt文件如下所示：

hypothetical protein
hypothetical protein
...

如果要grep包含蛋白质名称的整行 - 请使用以下 grep 方法：

grep -Ff id.txt nr.fa > prot_names.txt

在这种情况下，prot_names.txt文件将包含：

>KKP42119.1 hypothetical protein DDB_G027.......
>KKP65897.1 hypothetical protein DDB_G127.......
...