从 fasta 文件中删除多个序列

Question

我有一个字符序列的文本文件，由两行组成：标题和下一行中的序列本身。该文件的结构如下：

>header1
aaaaaaaaa
>header2
bbbbbbbbbbb
>header3
aaabbbaaaa
[...]
>headerN
aaabbaabaa

在另一个文件中，我有一个要删除的序列标题列表，如下所示：

>header1
>header5
>header12
[...]
>header145

这个想法是从第一个文件中删除这些序列，因此所有这些标头+以下行。我使用 sed 执行此操作，如下所示，

while read line; do sed -i "/$line/,+1d" first_file.txt; done < second_file.txt

它可以工作，但需要很长时间，因为我使用 sed 多次加载整个文件，而且它很大。关于如何加快这个过程的任何想法？

Answer 1

您遇到的问题很容易回答，但在处理通用 fasta 文件时不会对您有帮助。Fasta 文件有一个序列头，后面跟着一行或多行，可以将这些行连接起来以表示序列。Fasta 文件格式大致遵循以下规则：

• 描述行 (defline) 或标题/标识符行以 <greater-then> 字符 ( >) 开头，给出序列的名称和/或唯一标识符，并且还可能包含附加信息。
• 描述行后面是标准单字母字符串中的实际序列本身。除有效字符外的任何内容都将被忽略（包括空格、制表符、星号等）。
• 该序列可以跨越多行。
• 多序列 FASTA 格式可以通过将多个单序列 FASTA 文件连接到一个公共文件中来获得，通常是在两个后续序列之间留一个空行。

大多数提出的方法在具有多行序列的多 fasta 上都会失败

以下内容将始终有效：

awk '(NR==FNR) { toRemove[$1]; next }
     /^>/ { p=1; for(h in toRemove) if ( h ~ $0) p=0 }
    p' headers.txt file.fasta

这与EdMorton 和Anubahuva的答案非常相似，但不同之处在于文件headers.txt可能只包含标头的一部分。