我有一个包含 7 列的文件，一个具有染色体区域的 GFF 文件。我想将 REGION ="exon" 的行折叠到文件中的只有一行。必须根据与每个区域重叠的区域折叠该行其他。
REGION START END SCORE STRAND FRAME ATTRIBUTE
exon 26453 26644 . + . Transcript "XM_092971"; Name "XM_092971"
exon 26842 27020 . + . Transcript "XM_092971"; Name "XM_092971"
exon 30355 30899 . - . Transcript "XM_104663"; Name "XM_104663"
GS_TRAN 30355 34083 . - . GS_TRAN "Hs22_30444_28_1_1"; Name "Hs22_30444_28_1_1"
snp 30847 30847 . + . SNP "rs2971719"; Name "rs2971719"
exon 31012 31409 . - . Transcript "XM_104663"; Name "XM_104663"
exon 34013 34083 . - …常规文件包含按列组织的数据，以空格分隔。根据第二个字段的值，我想将该初始数据文件拆分为几个其他文件。
数据文件有 54,242 行和 399 列。数据结构是这样的：
SNP Chr Pos ID_01 ID_02 ...
rs01 1 200 AA BB ...
rs02 25 10 BA AA ...
rs03 1 30 AA BB ...
rs04 X 90 BB AA ...
我的输出应包含与第2 列file"${chr}"中的不同$chr值一样多的每条记录（或行）。例如：
file1将包含其第二个字段为的所有记录1：
SNP Chr Pos ID_01 ID_02 ...
rs01 1 200 AA BB ...
rs03 1 30 AA BB ...
file25将包含其第二个字段为的所有记录25：
SNP Chr Pos ID_01 ID_02 ...
rs02 25 10 BA AA ... …#CHROM POS REF ALT ../S101_sorted.bam ../S102_sorted.bam ../S105_sorted.bam ../S107_sorted.bam ../S113_sorted.bam ../S114_sorted.bam ../S115_sorted.bam ../S
Aradu.A01 296611 T C T T T T T T T T T T T T T T T/C T T/C T T T T
Aradu.A01 326689 T C T/C T T T T/C T T T T/C T/C T T T T T T T T/C T/C T T
Aradu.A01 615910 T G T T T T T T T T T T T T T T …我刚刚找到了一个可用于解开 fasta 文件的公式。在给出公式之前，我需要解释一下什么是打开 fasta 文件。总之，fasta格式是这样的：
>name_of_sequence$
xxxxxxxxxxxxxxxxxxxxxx$
>name_of_sequence_2$
xxxxxxxxxxxxxxxxxxxxxx$
>name_of_sequence_3$
xxxxxxxxxxxxxxxxxxxxxx$
这将是一个普通的 fasta 文件，因为我每个序列只有一行（xxxxxx ...）。美元符号是换行符。
但是，有时您可以找到这样的包装好的 fasta 文件：
>name_of_sequence$
xxxxxxxxx$
xxxxxxxxx$
xxxx$
>name_of_sequence_2$
xxxxxxxxx$
xxxxxxxxx$
xxxx$
>name_of_sequence_3$
xxxxxxxxx$
xxxxxxxxx$
xxxx$
在这里，您仍然只有三个序列，但每个序列都分为三个部分。解开 fasta 文件意味着将后一种格式转换为前一种格式（每个序列一行）。
为此，您需要从后一个文件中删除换行符，但不是全部。您需要在序列名称之后保留换行符（例如：>name_of_sequence$）和在序列的末尾（例如：xxxx$）。
看来这个公式是这样做的：
cat infasta | awk '/^>/{print s? s"\n"$0:$0;s="";next}{s=s sprintf("%s",$0)}END{if(s)print s}' > outfasta
我的问题是：有人可以向我解释它是如何工作的吗？
我有包含许多行的文本文件，其中一些以“>”开头（这是一个所谓的 *.fasta 文件，“>”s 标志着一个新信息容器的开始）：
>header_name1
sequence_info
>header_name2
sequence_info
我想将这些行所在的文件名添加到标题中。例如，如果文件名为“1_nc.fasta”，则文件中以 > 开头的所有行都应添加标签“001”：
>001-header_name1
sequence_info
>001-header_name2
sequence_info
有人给我提供了这条线：
sed 's/^>/>001-/g' 1_nc.fasta>001_tagged.fasta
因此，2_nc.fasta 中的所有标题都应以“002-”、3_nc.fasta -> “003-”等开头。
我知道如何编写并行作业脚本，但作业完成得如此之快，我认为在循环中串行处理所有文件的脚本要好得多。不幸的是，我不能自己做到这一点。
添加扭曲：11_nc.fasta 和 149_nc.fasta 不可用。
如何遍历我目录中的所有 500 个文件？
我有一个看起来像这样的数据集：
>TRINITY_DN37_c0_g1_i1 len=333 path=[361:0-43 362:44-332] [-1, 361, 362, -2]
GCCGCCATCATGGATGCCAGCCGTGTGCAGCCCATCAAGCTTGCCAGAGTCACCAAGGTT
>TRINITY_DN37_c0_g2_i1 len=356 path=[359:0-66 360:67-355] [-1, 359, 360, -2]
ACGTGACCCCCTTTCTGTCTCAAGCCGCCATCATGGATGCCAGTCGTGTGCAGCCCATCA
>TRINITY_DN15_c1_g1_i1 len=394 path=[372:0-393] [-1, 372, -2]
GCACTTACCATGCATGGAAGGCAAATGCCATCGGAAGGTCTGCAAAGACTGTTAGGGAGT
我需要用一系列数字替换字符串 'len=XXX'，它在数千行中位于相同的位置，以便唯一地标记每个序列。理想情况下，我正在考虑类似的事情：
>TRINITY_DN37_c0_g1_i1 1 path=[361:0-43 362:44-332] [-1, 361, 362, -2]
GCCGCCATCATGGATGCCAGCCGTGTGCAGCCCATCAAGCTTGCCAGAGTCACCAAGGTT
>TRINITY_DN37_c0_g2_i1 2 path=[359:0-66 360:67-355] [-1, 359, 360, -2]
ACGTGACCCCCTTTCTGTCTCAAGCCGCCATCATGGATGCCAGTCGTGTGCAGCCCATCA
>TRINITY_DN15_c1_g1_i1 3 path=[372:0-393] [-1, 372, -2]
GCACTTACCATGCATGGAAGGCAAATGCCATCGGAAGGTCTGCAAAGACTGTTAGGGAGT
我正在使用 OSX。
有任何想法吗？
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
我有以下问题：
我的数据表看起来像这样
AAAGGGTTT AAAGGG
AAAGGGCCC GGGCCC
我想像这样在第三行中显示两个序列之间的差异
AAAGGGTTT AAAGGG TTT
AAAGGGCCC GGGCCC AAA
我试过的是使用差异。我提取了文件（f1.txt 和 f2.txt）中的各个序列并对其进行了格式化，以便可以将它们与 diff 逐行比较，这造成了它仅在序列的开头相似时才起作用的问题（数据表的第 1 行） ）。
awk '{gsub(".","&\n");printf "%s",$0}' < f1.txt >f1a.txt
awk '{gsub(".","&\n");printf "%s",$0}' < f2.txt >f2a.txt
diff -y f1a.txt f2a.txt
有没有人知道如何实现所需的输出？
有类似的问题，但没有一个完全解决我遇到的问题。
简而言之，我需要打印包含我要查找的任何字符串的每个块。每个块起始行包含： <entry version=
欲了解更多详情，请参阅下文：
如果在模式区域（块）内识别出某个字符串，我想搜索打印模式之间的每个整个区域（块）的大型文件（数十万行）。
我知道我可以打印模式之间的整个区域，其中这些块的开始和结束标识符是“/<entry version=”，使用：
awk '/<entry version=/{flag=1} flag; /<entry version=/{flag=0}'
但是如果在这些模式之间找到某些字符串，如何让它只打印整个块？
对于块区域来说，真实数据的最短部分看起来像这样（尽管实际上每个块都有数千行长），我要感谢 Terdon 整理了一个更好的示例供我使用：
<entry version="21.1" url="http://v21.proteinatlas.org/ENSG00000000003">
<name>TSPAN6</name>
<synonym>T245</synonym>
<synonym>TM4SF6</synonym>
<synonym>TSPAN-6</synonym>
<identifier id="ENSG00000000003" db="Ensembl" version="103.38" assembly="GRCh38.p13" gencodeVersion="37">
<xref id="O43657" db="Uniprot/SWISSPROT"/>
<xref id="7105" db="NCBI GeneID"/>
</identifier>
<proteinClasses>
<proteinClass source="MDM" id="Ma" parent_id="" name="Predicted membrane proteins"/>
在上面的真实格式中，我将检查特定字符串的名称和同义词，因此如果我正在寻找“TSPAN6”，那么将打印该块。每个块都有数千行，因此下面只是一个虚构的迷你版本，用于解释我如何根据块内的字符串匹配来打印块。
这是一个示例，如果我的字符串是“MEMSAT”和“TNMD”
示例输入：
<entry version="21.1" url="http://v21.proteinatlas.org/ENSG00000000003">
<name>TSPAN6</name>
<synonym>T245</synonym>
<synonym>TM4SF6</synonym>
<synonym>TSPAN-6</synonym>
<identifier id="ENSG00000000003" db="Ensembl" version="103.38" assembly="GRCh38.p13" gencodeVersion="37">
<xref id="O43657" db="Uniprot/SWISSPROT"/>
<xref id="7105" db="NCBI GeneID"/>
</identifier>
<proteinClasses>
<proteinClass source="MDM" id="Ma" parent_id="" name="Predicted membrane proteins"/>
<proteinClass …我在 Linux 机器上有一个包含两列的文本文件：
12345 0102010205
54322 2221110051
123456 1122011510
我想将文件更改为如下所示：
12345 0 1 0 2 0 1 0 2 0 5
54322 2 2 2 1 1 1 0 0 5 1
123456 1 1 2 2 0 1 1 5 1 0
如何更改第一列，使其向右对齐（如数字所示）？
有人可以帮我用最可靠的方法来更改第二列数字之间的空格吗？请解释代码的元素及其作用。
谢谢
bioinformatics ×10
awk ×7
sed ×5
shell-script ×2
bash ×1
command-line ×1
perl ×1
shell ×1
xml ×1