Учитывая, что мы можем извлечь начальный индекс вместе с антикодоном:
len=7
prior=2
while IFS= read -r line; do
if [[ $line =~ Anticodon:" "([[:alpha:]]+)" at "([0-9]+) ]]; then
anticodon=${BASH_REMATCH[1]}
start=$(( BASH_REMATCH[2] - 1)) # string indexing is zero-based
elif [[ $line == "Seq: "* ]]; then
seq=${line#Seq: }
printf "Seq: %s, Anticodon: %s\n" "${seq:start-prior:len}" "$anticodon"
fi
done < file
Более сложное решение, которое каждый раз анализирует строку "Str :", но не жестко кодирует длину как 7 (жестко кодирует "n-й" шаблон):
8thSeq() {
local seq=$1 str=$2
local last=${str:0:1}
local nth=8 n=1 start
for (( i=1; i < ${#str}; i++)); do
if [[ "${str:i:1}" != "$last" ]]; then
((n++))
if ((n == nth)); then
start=$i
elif ((n == nth+1)); then
echo "${seq:start:i-start}"
break
fi
fi
last=${str:i:1}
done
}
while IFS= read -r line; do
if [[ $line =~ Anticodon:" "([[:alpha:]]+) ]]; then
anticodon=${BASH_REMATCH[1]}
elif [[ $line == "Seq: "* ]]; then
seq=${line#Seq: }
elif [[ $line == "Str: "* ]]; then
str=${line#Str: }
printf "Seq: %s, Anticodon: %s\n" "$(8thSeq "$seq" "$str")" "$anticodon"
fi
done < file
Используя «больше» данных, оба решения выводят результат
Seq: CTCACAC, Anticodon: CAC
Seq: CTGAAGA, Anticodon: GAA
Seq: CTGCCAC, Anticodon: GCC
Seq: TTTACAC, Anticodon: TAC
Seq: CTGATAA, Anticodon: GAT
Seq: CTGATAA, Anticodon: GAT
Seq: CTGATAA, Anticodon: GAT
Seq: CTTCAAA, Anticodon: TCA
короткий пример, если я правильно понял вопрос.
если FILE.txt содержит предоставленные вами данные, вывод ниже строки для выполнения:
for I in $ (cat FILE.txt|egrep '^Seq :\s|^Str :\s'|sed ' :a;N;$!ba;s/Seq :\s *//g;s/\nStr :\s */|/g;' ); do B=$ (echo "$I"|вырезать -d'|' -f1 ); A=$ (echo "$I"|cut -d'|' -f2 ); [ ${ #A} ] && s=${A :0 :1} && s1=0 && s2=1 && n=1 && i=1 && while [ $i -lt $ { #А} ] ; do [ "${A :$i :1}" = "$s" ] && s2=$ (($s2+1 ))|| { n=$ (($n+1 )); если [ $n -lt 9 ]; тогда s=${A :$i :1}; с1=$i; с2=1; еще echo "${B :$s1 :$s2}"; я=${#А}; фи; }; i=$ (($i+1 )); Готово ; сделано
КТГССАС
ТТТАКАК
СТГАТАА
СТГАТАА
СТГАТАА
Использованиеawk
:
$ awk -f script.awk file
Sequence: CTCACAC, Anticodon: CAC, Type: Val
Sequence: CTGAAGA, Anticodon: GAA, Type: Phe
Sequence: CTGCCAC, Anticodon: GCC, Type: Gly
Sequence: TTTACAC, Anticodon: TAC, Type: Val
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTTCAAA, Anticodon: TCA, Type: SeC
Где script.awk
следующая программа awk
:
/^Type:/ {
type = $2
anticodon = $4
split($6, pos, "-")
}
/^Seq:/ {
seq = substr($2, pos[1]-2, length(anticodon) + 4)
# or: seq = substr($2, pos[1]-2, pos[2]-pos[1]+5)
printf "Sequence: %s, Anticodon: %s, Type: %s\n", seq, anticodon, type
}
Первый блок запускается любой строкой, начинающейся со строки Type:
, и он выбирает тип и последовательность антикодонов из 2-го и 4-го полей, разделенных пробелами -, и разбивает 6-е такое поле на -
для получения начальные и конечные координаты в последовательности.
Второй блок запускается строкой, начинающейся со строки Seq:
, и выбирает последовательность из 2-го поля, разделенного пробелом -, используя начальную позицию антикодона и длину антикодона, считанную из последнего Type:
. ] линии, убедившись, что с каждой стороны есть пара пар оснований -.
Затем производится вывод.
Следующий сценарий sed
использует 8-й «шаблон» из строки Str:
для извлечения нужной последовательности, а не числовые позиции для антикодона, указанные в строке Type:
.
/^Type:[[:blank:]]*/ {
s/.*Type: \([^[:blank:]]*\)[[:blank:]]*Anticodon: \([^[:blank:]]*\).*/ Anticodon: \2, Type: \1/
h
}
/^Seq:[[:blank:]]*/ {
s//Sequence: /
G
y/\n/,/
w data.tmp
}
/^Str:[[:blank:]]*/ {
s///
s,\(\(\([<>.]\)\3*\)\{7\}\)\(\([<>.]\)\5*\).*,s/: \1\\(\4\\)[^\,]*/: \\1/;n,
y/<>/../
w pass2.sed
}
d
(замыкающий d
не опечатка ).
Он делает это за два прохода.
При первом проходе создаются два новых файла, data.tmp
и pass2.sed
.
$ sed -f script.sed file
(здесь нет клеммного выхода)
Для заданных данных data.tmp
будет выглядеть как
Sequence: GTTTCCGTAGTGTAGCGGTtATCACATTCGCCTCACACGCGAAAGGtCCCCGGTTCGATCCCGGGCGGAAACA, Anticodon: CAC, Type: Val
Sequence: GCCGAAATAGCTCAGTTGGGAGAGCGTTAGACTGAAGATCTAAAGGtCCCTGGTTCGATCCCGGGTTTCGGCA, Anticodon: GAA, Type: Phe
Sequence: GCATGGGTGGTTCAGTGGTAGAATTCTCGCCTGCCACGCGGGAGGCCCGGGTTCGATTCCCGGCCCATGCA, Anticodon: GCC, Type: Gly
Sequence: GGTTCCATAGTGTAGTGGTtATCACGTCTGCTTTACACGCAGAAGGtCCTGGGTTCGAGCCCCAGTGGAACCA, Anticodon: TAC, Type: Val
Sequence: GGCCGGTTAGCTCAGTTGGTaAGAGCGTGGTGCTGATAACACCAAGGtCGCGGGCTCGACTCCCGCACCGGCCA, Anticodon: GAT, Type: Ile
Sequence: GGCCGGTTAGCTCAGTTGGTaAGAGCGTGGTGCTGATAACACCAAGGtCGCGGGCTCGACTCCCGCACCGGCCA, Anticodon: GAT, Type: Ile
Sequence: GGCCGGTTAGCTCAGTTGGTaAGAGCGTGGTGCTGATAACACCAAGGtCGCGGGCTCGACTCCCGCACCGGCCA, Anticodon: GAT, Type: Ile
Sequence: GCCCGGATGATCCTCAGTGGTCTGGGGTGCAGGCTTCAAACCTGTAGCTGTCTAGCGACAGAGTGGTTCAATTCCACCTTTCGGGCG, Anticodon: TCA, Type: SeC
, а pass2.sed
— это скрипт sed
, который пост -обрабатывает это:
s/:...............................\(.......\)[^,]*/: \1/;n
s/:...............................\(.......\)[^,]*/: \1/;n
s/:..............................\(.......\)[^,]*/: \1/;n
s/:...............................\(.......\)[^,]*/: \1/;n
s/:................................\(.......\)[^,]*/: \1/;n
s/:................................\(.......\)[^,]*/: \1/;n
s/:................................\(.......\)[^,]*/: \1/;n
s/:.................................\(.......\)[^,]*/: \1/;n
Применение pass2.sed
к data.sed
дает окончательный результат:
$ sed -f pass2.sed data.tmp
Sequence: CTCACAC, Anticodon: CAC, Type: Val
Sequence: CTGAAGA, Anticodon: GAA, Type: Phe
Sequence: CTGCCAC, Anticodon: GCC, Type: Gly
Sequence: TTTACAC, Anticodon: TAC, Type: Val
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTGATAA, Anticodon: GAT, Type: Ile
Sequence: CTTCAAA, Anticodon: TCA, Type: SeC
Примечание. :Я не уверен, как второй шаг работает с очень большими наборами данных.
Предположим, что вам нужно проанализировать повторения строки Str:
Поскольку последовательность шаблонов может меняться для каждого блока, нам нужен способ найти восьмой шаблон.
Можно извлечь каждый повторяющийся «шаблон» (из вашего описания все, что начинается с символа и заканчивается тем же символом)из строки с помощью (GNU )grep:
$ str='>>>>>>>..>>>>.......<<<<.>>>>>.......<<<<<....>>>>>.......<<<<<<<<<<<<.'
$ grep -Eo '(.)\1+' <<<"$str"
>>>>>>>
..
>>>>
.......
<<<<
>>>>>
.......
<<<<<
....
>>>>>
.......
<<<<<<<<<<<<
Итак, начало и длина шаблона 8
(с использованием оболочки )равны:
pattern=8
splitstr=( $(grep -Eo '(.)\1+' <<<"$str") )
for((i=1;i<=pattern-2;i++)); do
start=$((start+${#splistr[i]}))
done
len=${splitstr[pattern-1]}
Для любого шаблона (, который имеет 8 или более повторений ).
Или, короче, начало и конец:
start=$(echo "$str" | grep -Eo '^((.)\2+|.){7}'); start=${#start}
end=$(echo "$str" | grep -Eo '^((.)\2+|.){8}'); end=${#end}
В AWK :возможно (и просто )разбить файл на блоки (строк, разделенных пустой строкой ), установив RS
на пустое ""
.
Если RS
равно ""
, каждый блок далее автоматически делится на поля с помощью awk. Будучи последним полем($NF
на языке awk ), строка содержит повторяющиеся символы.
Итак, в awk:
$ awk -vRS="" '{str=$NF; pat=8
cmd1="echo \"" str "\" | grep -Eo '\''^((.)\\2+|.){" pat-1 "}'\''";
cmd2="echo \"" str "\" | grep -Eo '\''^((.)\\2+|.){" pat "}'\''";
cmd1 | getline start ; close(cmd1) ; start=length(start)
cmd2 | getline end ; close(cmd2) ; end=length(end)
print "Start:",start,"End:",end,"Sequence:",substr($(NF-2),start,end-start),"Anticodon:",$9,"Type:",$7
}' biopattern.txt
Start: 30 End: 37 Sequence: CCTCCCA Anticodon: CCC Type: Gly
Start: 31 End: 38 Sequence: CCTCACA Anticodon: CAC Type: Val
Start: 31 End: 38 Sequence: ACTGAAG Anticodon: GAA Type: Phe
Start: 30 End: 37 Sequence: CCTGCCA Anticodon: GCC Type: Gly
Start: 31 End: 38 Sequence: CTTTACA Anticodon: TAC Type: Val
Start: 32 End: 39 Sequence: GCTGATA Anticodon: GAT Type: Ile
Start: 32 End: 39 Sequence: GCTGATA Anticodon: GAT Type: Ile
Start: 32 End: 39 Sequence: GCTGATA Anticodon: GAT Type: Ile
Start: 33 End: 40 Sequence: GCTTCAA Anticodon: TCA Type: SeC
Что не совпадает с результатами других ответов, основанных на числе после at
.
Может быть :Вы это имели в виду?
Это мой подход, который фактически использует эти >>.......<<
для поиска желаемой последовательности, как это было запрошено в исходном вопросе. Я начал работать над этим до этого ярлыка . Это оказалось приятным упражнением с sed
(, хотя подход может быть далек от оптимального ). Я публикую это здесь как пример того, что sed
может это сделать.
<data sed -E '
/^Type:|^Seq:|^Str:/ ! d
/^Type:/ {
s/.*(Anticodon: [CGAT]*).*/\1/
p; d
}
/^Seq:/ {
s/[^CGATcgat]*([CGATcgat]*).*/-\1-/
h; d
}
/^Str:/ {
s/[^><\.]*([><\.]*).*/\1/
s/([^>])(>)/\1X\2/g
s/([^<])(<)/\1X\2/g
s/([^.])(\.)/\1X\2/g
s/X./X/g
s/./X/
s/((X[^X]*){7})X/\1M/
: deleting
x; s/.//
t forget
: forget
x; s/^[^M]//
t deleting
s/M//
: moving
x; s/(.)(.*)/\2\1/
t forget2
: forget2
x; s/^[^X]//
t moving
g; s/.*-//
}
' | sed -E '
/^Anticodon:/ { h; d}
/^Anticodon:/ ! {
s/^/Seq: /
s/$/, /
G
s/\n//
}
'
Это работает так:
Первыйsed
Type:
, Seq:
или Str:
, удаляются. Type:
, извлекается и печатается информация Anticodon:
. Seq:
, полезная строка, такая как CGAT…
, извлекается и вставляется с -
символами (, они будут полезны позже ). Результат сохраняется в резервном пространстве. Str:
:>>...<<…
. X
вставляется всякий раз, когда изменяется последовательность; последовательные символы удаляются; X
заменяет первый символ. В результате вместо первого символа каждого «шаблона» стоит X
. X
заменяется на M
. deleting
переключается между двумя строками и удаляет начальные символы один за другим, пока не встретится M
. Когда встречается M
, другая строка уже была сокращена один лишний раз. Чтобы компенсировать это, ранее было добавлено опережение -
. moving
петли также переключаются между двумя линиями. Он перемещает символы CGAT
в конец один за другим, поэтому они появляются после завершающего -
. Тот же цикл удаляет символы из строки «шаблон» один за другим, пока не встретится X
. Как и в случае с M
ранее, когда встречается X
, другая строка уже была сдвинута один лишний раз. Чтобы компенсировать это, M
был удален командой вне цикла (s/M//
).-
(, которая раньше была конечным-
)в удерживаемом пространстве. Копируем его в пространство паттернов, удаляем все до -
. Результат распечатывается. Второйsed
Мои два цента
while IFS= read -r line; do
[[ "$(echo $line | grep "Type:")" ]] && codon="$(echo $line | cut -d' ' -f4)" && start="$(echo $line | cut -d' ' -f6)" && type="$(echo $line | cut -d' ' -f2)" && continue
[[ "$(echo $line | grep "Seq:")" ]] && seq="${line##Seq: }" && continue
if [[ -n "$seq" && -n "$codon" ]]; then
pos="${start%-*}" && pos="$((${pos}-3))"
echo Seq: "${seq:$pos:7}" Codon: "$codon" Type: "$type"
seq=
codon=
continue
fi
done < file
Выход:
Seq: CTCACAC Codon: CAC Type: Val
Seq: CTGAAGA Codon: GAA Type: Phe
Seq: CTGCCAC Codon: GCC Type: Gly
Seq: TTTACAC Codon: TAC Type: Val
Seq: CTGATAA Codon: GAT Type: Ile
Seq: CTGATAA Codon: GAT Type: Ile
Seq: CTGATAA Codon: GAT Type: Ile
Seq: CTTCAAA Codon: TCA Type: SeC
Найдите строку, начинающуюся с «Тип», и извлеките «Тип», «кодон» и «позиция (с 33 -35 до 33 )«
[[ "$(echo $line | grep "Type:")" ]] && codon="$(echo $line | cut -d' ' -f4)" && start="$(echo $line | cut -d' ' -f6)" && type="$(echo $line | cut -d' ' -f2)" && continue
Возьмите строку, начинающуюся с "Seq :", и извлеките последовательность ДНК:
[[ "$(echo $line | grep "Seq:")" ]] && seq="${line##Seq: }" && continue
Если установлены обе переменные $seq и $codon, распечатайте результат, затем отключите переменные и продолжите:
if [[ -n $seq && -n $codon ]]; then
pos="${start%-*}" && pos="$((${pos}-3))"
echo Seq: ${seq:$pos:7} Codon: $codon Type: $type
seq=
codon=
continue
fi
Один из подходов может заключаться в использовании perl в режиме абзаца и последующем разделении абзаца на новые строки. Последнюю строку параграфа мы используем для определения наших позиций и длины кордонов, а затем используем эти числа для получения данных из предыдущей строки.
$ perl -F\\n -l -00 -nae '
$F[-1] =~ /^Str:\s+((.)\2*){7}((.)\4*)/g;
my $c = substr($F[-2],pos($F[-1])-length($3),length($3));
my $a = substr($c, 2, 3);
print "seq:$c anti:$a";
' file.gene
seq:CTCCCAC anti:CCC
Краткое пояснение:
Each record is a paragraph. Then that
запись разбита на символы новой строки и результирующие фрагменты хранятся в нулевом индексированный массив @F. Последний элемент $F[-1]является затем сканируется на наличие повторяющихся последовательностей.
((.)\1*) is a regex for one set if
последовательных символов. Применить фигурные скобки {7} к этому n u получите 7 таких последовательностей. То Следующим будет 8-й, и чего мы хотим.