Question

我有一些＆＃39; fastq＆＃39;格式化DNA序列文件（基本上只是文本文件），如下所示：

@Sample_1
ACTGACTGACTGACTGACTGACTGACTG
ACTGACTGACTGACTGACTGACTGACTG
+
BBBBBBBBBBBBEEEEEEEEEEEEEEEE
EHHHHKKKKKKKKKKKKKKNQQTTTTTT
@
+
@
+
@Sample_4
ACTGACTGACTGACTGACTGACTGACTG
ACTGACTGACTGACTGACTGACTGACTG
+
BBBBBBBBBBBBEEEEEEEEEEEEEEEE
EHHHHKKKKKKKKKKKKKKNQQTTTTTT

我的最终目标是将这些变成“快速”。格式文件，但要做到这一点，我需要摆脱中间的两个空序列。

修改

所需的输出如下所示：

@Sample_1
ACTGACTGACTGACTGACTGACTGACTG
ACTGACTGACTGACTGACTGACTGACTG
+
BBBBBBBBBBBBEEEEEEEEEEEEEEEE
EHHHHKKKKKKKKKKKKKKNQQTTTTTT
@Sample_4
ACTGACTGACTGACTGACTGACTGACTG
ACTGACTGACTGACTGACTGACTGACTG
+
BBBBBBBBBBBBEEEEEEEEEEEEEEEE
EHHHHKKKKKKKKKKKKKKNQQTTTTTT

我尝试的所有专用软件（Biopython，独立程序，其他人发布的perl脚本）都在空序列中崩溃。这实际上只是搜索字符串@\n+并将其替换为空的问题。我用Google搜索并阅读了几篇帖子，并尝试了大约一百万个选项，并且无法弄明白。以下是一些不起作用的事情：

sed s/'@'/,/'+'// test.fastq > test.fasta
sed s/'@,+'// test.fastq > test.fasta

任何见解都将不胜感激。

PS。我有一台Mac。

Answer 1

尝试：

sed "/^[@+]*$/d" test.fastq > test.fasta

/d option告诉sed＆＃34;删除＆＃34;匹配线（即不打印）。

^和$表示＆＃34;字符串的开头＆＃34; ＆＃34;字符串结束＆＃34;分别，即该行必须完全匹配。

所以，上面的命令基本上说：

打印所有不的行只包含@或+，并将结果写入test.fasta。

编辑：我稍微误解了这个问题，对不起。如果你想只删除一对连续的行，比如

@
+

然后您需要执行多行搜索并替换。

虽然这个可以完成sed，但它可能更容易使用类似perl脚本的内容：

perl -0pe 's/^@\n\+\n//gm' test.fastq > test.fasta

-0选项将Perl变为＆＃34;文件slurp＆＃34;模式，其中Perl一次性读取整个输入文件（而不是逐行）。这样可以进行多行搜索和替换。
-pe选项允许您运行Perl代码（在这种情况下进行模式匹配和替换）并显示命令行的输出。
^@\n\+\n是要匹配的模式，我们无需替换（即删除）。
/gm使替换成为多线和全局。

您也可以将-i作为第一个参数传递给perl，以便内联编辑文件。

Answer 2

这可能不是世界上最优雅的解决方案，但您可以使用tr将\n替换为null字符并返回。

cat test.fastq | tr '\n' '\0' | sed 's/@\x0+\x0//g' | tr '\0' '\n' > test.fasta

Answer 3

试试这个：

sed '/^@$/{N;/\n+$/d}' file

找到@后，下一行将N附加到模式空间。如果在下一行中找到$，d命令将删除这两行。

跨行查找字符串并替换为空

3 个答案: