Question

我正在尝试从fasta文件中过滤所有单例。这是我的输入文件：

 >OTU1;size=3;
 ATTCCCCGGGGGGG 
 >OTU2;size=1;
 ATCCGGGACTGATC
 >OTU3;size=5;
 GAACTATCGGGTAA
 >OTU4;size=1;
 AATTGGCCATCT

预期输出为：

>OTU1;size=3;
ATTCCCCGGGGGGG 
>OTU3;size=5;
GAACTATCGGGTAA

我尝试过

awk -F'>' '{if($1>=2) {print $0}' input.fasta > ouput.fasta

，但这将删除每个OTU的所有标头。

有人可以帮我吗？

Answer 1

请您尝试以下。

awk -F'[=;]' '/^>/{flag=""} $3>=3{flag=1} flag'   Input_file

Answer 2

$ awk '/>/{f=/=1;/}!f' file
 >OTU1;size=3;
 ATTCCCCGGGGGGG
 >OTU3;size=5;
 GAACTATCGGGTAA

Answer 3

awk -v FS='[;=]' 'prev_sz>=2 && !/size/{print prev RS $0}   /size/{prev=$0;prev_sz=$(NF-1)}'

>OTU1;size=3;
 ATTCCCCGGGGGGG
 >OTU3;size=5;
 GAACTATCGGGTAA

将每行的大小存储在prev_sz变量中，将整行存储在prev变量中。现在检查其>= 2，然后打印前一行和当前行。 RS用于打印新行。

Answer 4

尽管上述所有方法都有效，但它们仅限于输入必须始终看起来相同的事实。即您的fasta文件中的序列名称必须采用以下格式：

>NAME;size=value;

一些解决方案可以处理更多的扩展序列名，但是没有一种解决方案可以处理更通用的情况，即

>NAME;label1=value1;label2=value2;STRING;label3=value3;

打印顺序，其中标签xxx与值vvv匹配：

awk '/>{f = /;xxx=vvv;/}f' file.fasta

打印顺序，其中标签xxx的数字值p大于q ：

awk -v label="xxx" -v limit=q \
    'BEGIN{ere=";" label "="}
     />/{ f=0; match($0,ere);value=0+substr($0,RSTART+length(ere)); f=(value>limit)}
     f' <file>

在上面的ere中，我们尝试匹配一个正则表达式。我们使用它来查找标签xxx上附加值的位置。该子字符串的值后面将带有非数字字符，但是通过在其上加上0，它会转换为数字，并丢失所有非数字值（即3;label4=value4;会转换为3）。我们检查该值是否大于我们的限制，然后根据该结果打印序列。

如何使用AWK按计数过滤OTU？

4 个答案: