新示例

Question

我有许多fasta文件，必须从“标题”行中提取信息。

输入文件

>12321:Chr13 923456-923659(3C->A)|Chr14 463456-463669(4T->A)
AGCTAAAAAATGCGATG
>50:Chr1 495831-495959
TGCGATTATGCGATTATGCGAT
>5891:Chr13 363456-573659(3T->A)|Chr13 363456-573659(3T->A)|Chr14 463456-463669(4A->T)
AATATGCGATGAGCTAAG
>893:Chr21 139656-139690(3C->A)|Chr14 149656-149690(4T->A)
TGCTATGAGCTAATAAAAAATGCGATG

输出文件（这是预期的输出）对于每行的每个Chr，我们都会获得坐标和“>”之后的数字，但是如果有可能重复（在同一行内），则必须将其排除。括号内的内容均不使用。

Chr13  923456 923659    12321
Chr14  463456 463669    12321
Chr1   495831 495959    50
Chr13  363456 573659    5891
Chr14  463456 463669    5891
Chr21  139656 139690    893
Chr14  149656 149690    893

我用过：

egrep ^[\>] file1.fas > file1_head.fas

仅提取标题行。然后：

 awk -F: '/\>/ {n=split($2,s,"|");for(i=0; i<n; ++i) print $1 "\t" s[i] }' file1_head.fas > new.txt

当前输出：

>12321
>12321  Chr13 923456-923659(3C->A)
>50
>5891
>5891   Chr13 363456-573659(3T->A)
>5891   Chr13 363456-573659(3T->A)
>893
>893    Chr21 139656-139690(3C->A)
>353
>353    Chr13 363456-573659(3T->A)
>353    Chr13 363456-573659(3T->A)

问题：

在某些行中，没有任何|可能导致输出的第一个问题（不打印第二列）
如果重复/重复/ ...，我应该如何只保留一个条目？

我希望做的是为每个Chr *加上坐标和数字，以使文件格式类似于bed

提前谢谢

“真实”文件中的一部分：https://jpst.it/1tSMN

新示例

>25828:Chr15 99785054-99806017|Chr15 99785054-99806017|Chr15 101748003-101785983|Chr15 101748003-101785983|Chr15 101748003-101785983 
TCTGAGAAGATGAACTCCTTGGTCTGCCT 
>24578:Chr15 62204018-62281012|Chr15 62204018-62281012 
TTCAGTTTGAATCTAAGGAGCC 
>2439:Chr15 99785054-99806017|Chr15 99785054-99806017|Chr15 101748003-101785983 
TCTGAGAAGATGAACTCCTTGGTCTG
>1:KI270734.1 70016-79001(19T->C)
CGCGGGTGTATGCCAT
>2:GL000224.1 117026-129966(3T->G)
TCCCGAATCGGA

预期输出：

Chr15 99785054 99806017 25828 
Chr15 101748003 101785983 25828 
Chr15 62204018 62281012 24578 
Chr15 99785054 99806017 2439
Chr15 101748003 101785983 2439
KI270734.1 70016 79001 1
GL000224.1 117026 129966 2

Answer 1

EDIT2： 由于OP有时无法提供chr字符串，因此添加逻辑以获取任何类型的字符串输出。

awk -F"[:|]" '
/^>/ !e[$0]++{
  sub(/>/,"",$1)
  for(i=2;i<=NF;i++){
      num=split($i,array,"[- (]")
      if(!b[array[1]"("array[num-1]array[num]]++){
        print array[1],array[2],array[3],$1
      }
    delete array
  }
}'  Input_file

编辑： ：由于OP询问完整的行可以重复，因此要照顾好这些行可以尝试遵循。

awk -F"[:|]" '
/^>/ !e[$0]++{
  sub(/>/,"",$1)
  for(i=2;i<=NF;i++){
    if($i ~ /Chr/){
      num=split($i,array,"[- (]")
      if(!b[array[1]"("array[num-1]array[num]]++){
        print array[1],array[2],array[3],$1
      }
    delete array
    }
  }
}'  Input_file

第一个解决方案： ：考虑到您需要元素的索引，例如-> Chr13,(3C->A)等。您能不能试一下。

awk -F"[:|]" '
/^>/{
  sub(/>/,"",$1)
  for(i=2;i<=NF;i++){
    if($i ~ /Chr/){
      num=split($i,array,"[- (]")
      if(!b[array[1]"("array[num-1]array[num]]++){
        print array[1],array[2],array[3],$1
      }
    delete array
    }
  }
}'    Input_file

输出如下。

Chr13 923456 923659 12321
Chr14 463456 463669 12321
Chr1 495831 495959 50
Chr13 363456 573659 5891
Chr14 463456 463669 5891
Chr21 139656 139690 893

第二个解决方法： 考虑到您需要索引例如-> Chr13,363456,573659，请执行以下十个操作。

awk -F"[>:|]" '                                      ##Setting field separator as either > or : or | for all lines for Input_file.
NF>1 && /^>/{                                        ##Checking condition if NF>1 and line starts from > then do following.
  for(i=3;i<=NF;i++){                                ##Starting a for loop from i=3 to value of NF in current line.
    if($i ~ /Chr/){                                  ##checking condition if field value is Chr string then only do further things.
      split($i,array,"[- (]")                        ##Using split function to split current field value into array named array and field separators as - or space or (
      val=array[1] OFS array[2] OFS array[3]         ##Creating variable val whose value is arrays 1,2 and 3 values with OFS values in between them.
      delete array                                   ##Deleting this array for safer side so it shouldnot print previous values wrongly.
    }
    if(!a[val]++ && val){                            ##For removing duplicates checking if array a index with val is there or not and val is NOT NULL then do following
      print val,$2                                   ##Printing variable val,$2 here.
    }
    val=""                                           ##Nullifying variable val here.
  }
}' Input_file                                        ##mentioning Input_file name here.

Answer 2

awk -F':' '/>/{gsub(/\|/, RS NR FS $1 FS); print NR FS $0}' file1_head.fas | awk -F'[->:( ]' '{key = $1 FS $4 FS $5 FS $6}!s[key]{s[key] = 1; print $4, $5, $6, $3}'

返回：

Chr13 923456 923659 12321
Chr14 463456 463669 12321
Chr1 495831 495959 50
Chr13 363456 573659 5891
Chr14 463456 463669 5891
Chr21 139656 139690 893
Chr14 149656 149690 893

编辑：第二个示例：

返回：

Chr15 99785054 99806017 25828
Chr15 101748003 101785983 25828
Chr15 62204018 62281012 24578
Chr15 99785054 99806017 2439
Chr15 101748003 101785983 2439
KI270734.1 70016 79001 1
GL000224.1 117026 129966 2

使用awk提取具有不同类型的模式的特定“单词”（以及可能的重复条目），并创建一个新的制表符分隔文件

新示例

2 个答案: