通过对bash中的id行进行部分匹配来过滤多条目.fasta文件

Question

我有一个.fasta文件，例如：

>LTR22_Mio  ERV2    Microtus ochrogaster
tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcacaagcttcaaggaagagt
gcccgcagagaaggtgtgtgtgctgtgcttcctgcatcggagcccttgcacttttggcattacctgctta
tgttctaaggaatacagtctggtttcttctggaagggaagatagtatgtttaagtttccagagtctactg
>LTR23  ERV2    Mus Musculus
tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcaca
>LTR_IAP    ERV2    Mus Musculus
tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcacaagcttcaaggaagagt
gcccgcagagaaggtgtgtgtgctgtgcttcctgcatcggagcccttgcacttttggcattacctgctta
tgttctaaggaatacagtctggtttcttctggaagggaagatagtatgtttaagtttccagagtctactg
atgagacattgccatatacaggagtatatgatgctaatggaggaagatgggttaacattcaaggcaaaaa

在我的示例中，我尝试提取所有标题（以>...开头的行）和下面的文本块，直到下一个与某种模式部分匹配的>。理想的结果是：

"Mus musculus"

我尝试使用google解决这个相对常见的问题，但只为此找到了第三方软件包，但希望有一个基于

>LTR23  ERV2    Mus Musculus
tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcaca
>LTR_IAP    ERV2    Mus Musculus
tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcacaagcttcaaggaagagt
gcccgcagagaaggtgtgtgtgctgtgcttcctgcatcggagcccttgcacttttggcattacctgctta
tgttctaaggaatacagtctggtttcttctggaagggaagatagtatgtttaagtttccagagtctactg
atgagacattgccatatacaggagtatatgatgctaatggaggaagatgggttaacattcaaggcaaaaa

的本地解决方案。

我发现此bash单行代码，但在“标题”行之后未输出完整的文本块（来源：grep）：

https://www.biostars.org/p/319099/

pattern.txt：

grep -w -A 2 -f pattern.txt myfile.fasta --no-group-separator

非常感谢您的支持！

Answer 1

如果选择Mus Musculus ，请尝试以下操作：

awk

输出：

awk 'BEGIN {RS = "(^|\n)>"}
   /Mus Musculus/ {
        sub(/\n$/, "");
        print ">" $0
   }
' file.fasta

• 语句

  >LTR23  ERV2    Mus Musculus
  tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcaca
  >LTR_IAP    ERV2    Mus Musculus
  tgtcacgccacctcctgcggagtctgcgtgatctctcacgtaggctgtggcacaagcttcaaggaagagt
  gcccgcagagaaggtgtgtgtgctgtgcttcctgcatcggagcccttgcacttttggcattacctgctta
  tgttctaaggaatacagtctggtttcttctggaagggaagatagtatgtttaagtttccagagtctactg
  atgagacattgccatatacaggagtatatgatgctaatggaggaagatgggttaacattcaaggcaaaaa

  分配记录分隔符BEGIN {RS = "(^|\n)>"}正则表达式的意思是“文件开头的字符RS或在换行符之后”将文件拆分为包含以下内容的记录一对标题行和一个基线。
• 模式>指定打印记录的条件。
• 语句/Mus Musculus/删除了末尾多余的换行符文件。
• 语句sub(/\n$/, "")输出以字符开头的记录print ">" $0作为记录分隔符丢失。