如何解决将 multifasta 文件拆分为具有相同数量的加入号的文件
我有一个包含数千个登录号的文件:
看起来像这样..
>NC_033829.1 Kallithea virus isolate DrosEU46_Kharkiv_2014,complete genome
AGTCAGCAACGTCGATGTGGCGTACAATTTCTTGATTACATTTTTGTTCCTAACAAAATGTTGATATACT
>NC_020414.2 Escherichia phage UAB_Phi78,complete genome
TAGGCGTGTGTCAGGTCTCTCGGCCTCGGCCTCGCCGGGATGTCCCCATAGGGTGCCTGTGGGCGCTAGG
如果想将其拆分为多个文件,每个文件都有一个登录号,那么我可以使用以下代码
awk -F '|' '/^>/ {F=sprintf("%s.fasta",$2); print > F;next;} {print >> F;}' < yourfile.fa
我有一个包含数千个登录号(又名 >NC_*)的文件,我想将其拆分,例如每个文件包含约 5000 个登录号。因为我是 awk/bash/python 的新手,所以我很难找到一个巧妙的解决方案
感谢任何想法或评论
解决方法
假设:部分由空行分隔。
算法:
- 分割文件
- 从部分提取入藏号
- 将部分输出到以登录号命名的文件名。
awk 术语:“记录”将是我们的部分 - 文件的一部分由空行分隔(即一个接一个的两个换行符。“字段”通常由空格分隔 - 通过空格分隔 或 >
个字符的第二个字段将是登录号。
只需将记录分隔符设置为两个换行符,将字段分隔符设置为 >
或空格,然后将行输出到以第二个字段命名的文件:
awk -v RS='' -v FS='[> ]' '{f=($2 ".txt"); print >> f; close(f)}'
@edit 将 >
更改为 >>
并将 RS='\n\n'
更改为 RS=''
@edit 并添加关闭
,从您的问题中并不清楚每个输入块的“登录号”是唯一的(不要假设阅读您问题的人对您的域一无所知——对我们来说,这只是几行文本)。如果您将问题表述为只说每个输出文件需要 5000 个换行分隔块,而不是 5000 个登录号,那就更清楚了。
看过您发布的答案后,现在很明显这是您应该使用的:
awk -v RS= -v ORS='\n\n' '
(NR%5000) == 1 { close(out); out="myseq"(++n_seq)".fa" }
{ print > out }
' my_sequences.fa
,
非常感谢您的回答,我学到了很多。我真正想做的是将 multifasta 文件拆分为具有相同登录号数量的文件。这是我经过长时间的战斗和同事的帮助后的答案
awk 'BEGIN {n_seq=0;} /^>/ {if(n_seq%5000==0){file=sprintf("myseq%d.fa",n_seq);} print >> file; n_seq++; next;} { print >> file; }' < my_sequences.fa
在这里创建新的 fasta 文件,其中每个文件都有 5000 个登录号,也就是标题
谢谢大家
,最好使用Biopython的Bio.SeqIO来处理FASTA文件的读写。然后,您只需要某种方式根据需要对记录(SeqRecord 对象)进行分组。我的偏好是让分组函数产生迭代器:
from itertools import chain,islice
from Bio import SeqIO
def grouper(n,iterable):
it = iter(iterable)
while True:
chunk_it = islice(it,n)
try:
first = next(chunk_it)
except StopIteration:
return
yield chain((first,),chunk_it)
for idx,group in enumerate(grouper(5000,SeqIO.parse('input.fa','fasta')),1):
SeqIO.write(group,f'out-{idx}.fa','fasta')
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。