我有一个文件夹,里面装满了具有以下格式(等等)的fasta文件,其中以>开头的行是DNA序列的读取名称,下一行是序列本身。整个文件重复此模式:
> 887_ENCFF899MTI.fastq.gz_seq1
GGCCCGCCTCCCGTCGGCCGGTGCGAGCGGCTCCGCGA
> 55_ENCFF899MTI.fastq.gz_seq2
GGGGGGGGCGTCTCGCGCAAACGTCCATAAC
> ...
...
在读取名称中,[887] 对应于我用来查找此读取的查询序列的索引,存储在不同的文件中(例如 SequenceNames.txt)。可以假定另一个文件具有以下格式:
SequenceA
SequenceB
...
我只想将 > 和 _ 之间的数字(避免与文件名的偶然匹配)替换为与 SequenceNames 文件中该数字的索引匹配的序列。例如,我想要
> 1_ENCFF899MTI.fastq.gz_seq1
ACTATC
> 2_ENCFF899MTI.fastq.gz_seq1
成为
> SequenceA_ENCFF899MTI.fastq.gz_seq1
> SequenceB_ENCFF899MTI.fastq.gz_seq1
我通常能够进行这些替换,但我真的不确定如何将索引替换专门指向 > 和 _ 之间的位置/正则表达式匹配,而不对这些数字执行文件范围的字典替换,我是努力使用 awk 数组索引来获得类似的东西
gawk '{print gensub(/^> ([0-9]*)_/,array[pattern],"\\1")}'
生产我正在寻找的东西。
假设希望将fasta文件中以
> 887_
开头的一行数字替换为SequenceNames.txt
第887行的内容,则:
awk '
# create lookup table
NR==FNR { i2p[FNR] = $0; next }
# try to change relevant lines
$1==">" {
# extract index
idx = $2
sub( /_.+/, "", idx )
# try to replace (no change if no match)
if (idx in i2p)
sub( /^[^_]+/, "> "i2p[idx] )
}
# print all lines
1
' SequenceNames.txt input.fasta >output.fasta
使用 gawk:
awk 'NR==FNR{ar["> "NR"_"]=$0}
NR>FNR{match($0,/^> [0-9]+_/,m); gsub(/^> [0-9]+_/, "> " ar[m[0]]"_", $0);print} ' SequenceNames.txt matches.fasta
NR==FNR
块从数组中的序列名称文件中收集行数据,该数组使用由“>”构建的字符串、行号和尾随的“_”字符进行索引。
NR>FNR
块存储与正则表达式匹配的字符串,该正则表达式要求行开始“>”后跟一个空格、一个数字和数组m
中的下划线。然后使用 Gsub 将匹配项替换为序列名称数组中保存的相应值。
使用 GNU Awk 5.1.0 测试
在 GNU
awk
中使用您显示的示例,请尝试遵循 awk
代码。
awk '
FNR==NR{
seqVal[FNR]=$0
next
}
/^>/ && match($0,/(^> )[^_]*(_.*$)/,arr){
print arr[1] seqVal[++count] arr[2]
}
' sequencenames.txt input.fasta