Question

我有cd-hit输出，我想获得属于同一集群的序列数。

我的输入：

集群1

  0 33aa，> abu-miR-101a：1-8 ... *

  群集2

  0 33aa，> abu-miR-103：1-8 ... *   1 33aa，> NODE_603086_length _... at 100.00％

  2 33aa，> NODE_603086_length _... at 100.00％

  3 33aa，> NODE_603086_length _... at 100.00％

  4 33aa，> NODE_603086_length _... at 100.00％

  群集3

  0 33aa，> abu-miR-10543：1-8 ... *

  1 33aa，> abu-miR-10543：1-8 ... at 100.00％

  群集4

  0 33aa，> abu-miR-10544：1-8 ... *

  群集5

  0 33aa，> abu-miR-10545-5p：1 -... *





  我想要这个输出：

  群集1 1

  群集2 5

  群集3 2

  群集4 1

  群集5 1

我只想在第一列中找到簇的名称，并在第二列中想要该簇包含的序列数。

Answer 1

对您来说，向我们展示您的尝试将是一件好事，而且我不确定您如何获得与簇2相关的5个序列（输出中只有4个，但是我注意到缺少＃1从列表中，所以也许是复制/粘贴错误？）。但是，在Perl中完成此操作的一种方法是，既然已经包含了该标签，就逐行读取文件，如果看到'Cluster'字符串，则将其设为哈希键，否则（对于后续行）进行迭代这样的计数：

#!/usr/bin/env perl
use strict;
use warnings;
use autodie;

my %results;
my $cluster;

while (<DATA>) {
    if ($_ =~ /Cluster/) {
        chomp($cluster = $_);
        $results{$cluster} = 0;
    } else {
        $results{$cluster}++;
    }
}

print "$_\t$results{$_}\n" for (sort { $a cmp $b } keys %results);

__DATA__
Cluster 1
0 33aa, >abu-miR-101a:1-8... *
Cluster 2
0 33aa, >abu-miR-103:1-8... * 1 33aa, >NODE_603086_length_... at 100.00%
2 33aa, >NODE_603086_length_... at 100.00%
3 33aa, >NODE_603086_length_... at 100.00%
4 33aa, >NODE_603086_length_... at 100.00%
Cluster 3
0 33aa, >abu-miR-10543:1-8... *
1 33aa, >abu-miR-10543:1-8... at 100.00%
Cluster 4
0 33aa, >abu-miR-10544:1-8... *
Cluster 5
0 33aa, >abu-miR-10545-5p:1-... *

我在这里做了很多假设（例如，新集群将始终从包含字符串“ Cluster＃”的行开始，然后是包含与每个“ Cluster”相关的序列的后续行）。这只是思考的一种快速方法的基本示例，您可能必须对其进行调整才能满足最终需求。

Answer 2

完美！有用！我只是添加一种排序以获得按数字排序的结果。像这样：

perl count-cluster.pl | sort -k 2 -g | head

然后是头结果：

集群0 64

  群集1 1

  群集2 5

  群集3 2

  群集4 1

  群集5 1

  群集6 1

  群集7 3

  群集8 1

  群集9 1

非常感谢！我的文件中有3000多行，对于三种不同的情况，我需要此结果，这很有帮助！谢谢！

如何计算属于一个簇的序列？（从cd-hit输出）

2 个答案:

如何计算属于一个簇的序列？ （从cd-hit输出）

2 个答案:

如何计算属于一个簇的序列？（从cd-hit输出）