获取匹配的 fasta 文件

Question

list.txt：

58759__len__2903
58759__len__2903
673957__len__1655
673957__len__1655
3566454__len__1744

seq.fasta：

>58759__len__2903
TTTTCCGTAGAGGAGATCCCTATTTTTAGGTTTGTAAGAGATCATTTT
>67777__len__2978
TTTTTAGGTTTGTAAGACCGTAGAG
>673957__len__1655
CCCTATTTTTAGGTTTGTAAGGTTTGTAAGACCGTAGAG
>3566454__len__1744
GGTTTGTAAGACCGTAGAGGGTTTGTAAGACCGTAGAG

output.fasta：

>58759__len__2903
TTTTCCGTAGAGGAGATCCCTATTTTTAGGTTTGTAAGAGATCATTTT
>673957__len__1655
CCCTATTTTTAGGTTTGTAAGGTTTGTAAGACCGTAGAG
>3566454__len__1744
GGTTTGTAAGACCGTAGAGGGTTTGTAAGACCGTAGAG

匹配行list.txt（如果重复行，仅使用唯一行）到seq.fastaFASTA 文件并提取输出文件中所示的文件。

Answer 1

您展示的简单案例是微不足道的。您的序列永远不会超过一行，因此您可以简单地使用grep搜索您的每个 ID 及其后的行：

grep -Fwf list.txt -A 1  seq.fasta | grep -v '^--$'  > out.fasta

在grep -v '^--$'简单地过滤掉与所述线--即grep使用时的输出线组之间的补充-A选项。

为了避免受骗，您可以通过（GNU）排序传递您的列表：

grep -Fwf <(sort -u list.txt) -A 1  seq.fasta | grep -v '^--$'  > out.fasta

使用的标志是：

   -f FILE, --file=FILE
          Obtain  patterns  from  FILE,  one  per  line.   The  empty file
          contains zero patterns, and therefore matches nothing.   (-f  is
          specified by POSIX.)
   -w, --word-regexp
          Select  only  those  lines  containing  matches  that form whole
          words.  The test is that the matching substring must  either  be
          at  the  beginning  of  the  line,  or  preceded  by  a non-word
          constituent character.  Similarly, it must be either at the  end
          of  the  line  or  followed by a non-word constituent character.
          Word-constituent  characters  are  letters,  digits,   and   the
          underscore.
   -F, --fixed-strings
          Interpret PATTERN as a  list  of  fixed  strings,  separated  by
          newlines,  any  of  which is to be matched.  (-F is specified by
          POSIX.)
   -A NUM, --after-context=NUM
          Print NUM  lines  of  trailing  context  after  matching  lines.
          Places   a  line  containing  a  group  separator  (--)  between
          contiguous groups of matches.  With the  -o  or  --only-matching
          option, this has no effect and a warning is given.

但是，在大多数情况下，您的序列将是几行，这还不够。如果你经常做这种事情，我建议你安装exonerate工具套件。它们通常对生物信息学工作非常有用，并且包括一个很好的工具fastafetch，它被设计用来做你想做的事：

1. 安装免责套件。这在基于 Debian 的系统的存储库中，也可以从这里获得。

    sudo apt-get install exonerate
   

2. 为您的 fasta 文件创建索引。这用于快速检索序列。

    fastaindex seq.fasta seq.idx 
   

3. 提取您的序列：

    $ fastafetch -f seq.fasta -i seq.idx -Fq <(sort -u list.txt )
    >3566454__len__1744
    GGTTTGTAAGACCGTAGAGGGTTTGTAAGACCGTAGAG
    >58759__len__2903
    TTTTCCGTAGAGGAGATCCCTATTTTTAGGTTTGTAAGAGATCATTTT
    >673957__len__1655
    CCCTATTTTTAGGTTTGTAAGGTTTGTAAGACCGTAGAG