计算一个特定的连续字符及其出现位置和长度

Question

我有一个序列文件，想用它的出现位置和长度来计算连续字符“N” 假设我有一个mySequence.fasta像这样命名的文件：

>sequence-1
ATCGCTAGCATNNNNNNNNNNNNNNCTAGCATCATGCNNNNNNATACGCATCACANNNNNNNNNCgcatATCAC

和预期的输出应该是这样的：

Position 12 N 14
Position 38 N 6
Position 56 N 9

请帮助我通过awk或sed提供我的文件名来解决这个问题mySequence.fasta

Answer 1

你可以用 来做到这一点awk，它的match()设置RSTART和RLENGTH变量对此非常有用：

<mySequence.fasta awk -v C=N '{
  i=0
  while (match($0, C "+")) {
    printf "Position %d %s %d\n", i+RSTART, C, RLENGTH
    i += RSTART+RLENGTH-1
    $0 = substr($0, RSTART+RLENGTH)
  }}'

或者perl使用记录匹配开始和结束的@-和@+数组：

perl -ne 'printf "Position %d N %d\n", $-[0]+1, $+[0]-$-[0] while /N+/g'

使用（实验性）正则表达式运算符的另一种稍快（至少在我的版本中perl）perl方法：(?{...})

perl -ne '0 while /N(?{$s=pos})N*(?{printf "Position %d N %s\n", $s, pos()-$s+1})/g'