用不同文件中的索引替换 FASTA 文件中的数值。 （首选 Bash）

Question

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。

Answer 1

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

Answer 2

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

Answer 3

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