使用grep在一次通过中计算多个模式？

Question

我已经编写了一个 grep 循环来迭代计算包含 DNA 序列的 gzip 压缩 DNA fasta 文件中的 DNA 三核苷酸，例如

declare -a tri=(AAA AAC AAG AAT CAA .. etc)

for i in ${tri[@]}
do
   gzip -cd gencode.v18.pc_transcripts.fa.gz | grep -v "^>" | grep -o $i | wc -l
done

fasta 文件采用这种格式的位置（虽然要大得多）

head test.fa
>id1
TTTTTAAAAA
>id2
GGGGGCCCCC
etc..

虽然这有效（即计算每个三核苷酸的出现次数），但在我看来效率很低，因为它必须通过数据 64 次（每个可能的三核苷酸一次）。

我的问题是如何使用bash或者grep有没有一种方法可以在一次通过文件时计算每个三核苷酸（因为文件非常大）？

谢谢

Answer 1

IFS=$'\n'
gzip -dc file.gz | grep -v '^>' | grep -Foe "${tri[*]}" | sort | uniq -c

但顺便说一句，AAAC匹配AAA和AAC，但grep -o只会输出其中之一。那是你要的吗？AAA另外， in出现了多少次AAAAAA？2 还是 4 （、、、、[AAA]AAA）？A[AAA]AAAA[AAA]AAAA[AAA]

也许你想要：

gzip -dc file.gz | grep -v '^>' | fold -w3 | grep -Fxe "${tri[*]}" | sort | uniq -c

即将行分成 3 个字符的组，并将出现的次数计为整行（会发现 0 次出现AAAin ACAAATTCG（即ACA AAT TCG））。

或者另一方面：

gzip -dc file.gz | awk '
  BEGIN{n=ARGC;ARGC=0}
  !/^>/ {l = length - 2; for (i = 1; i <= l; i++) a[substr($0,i,3)]++}
  END{for (i=1;i<n;i++) printf "%s: %d\n", ARGV[i], a[ARGV[i]]}' "${tri[@]}"

（会发现AAA中出现 4 次AAAAAA）。