AWK verwenden, um Fasta-Datei zu durchsuchen, gegeben eine zweite Datei mit Sequenznamen

Question

Ich habe eine 2 Dateien. Eine ist eine Fasta-Datei, die mehrere Fasta-Sequenzen enthält, während eine andere Datei die Namen von Kandidatensequenzen enthält, die ich durchsuchen möchte (Datei Beispiel unten).

seq.fasta

>Clone_18 
GTTACGGGGGACACATTTTCCCTTCCAATGCTGCTTTCAGTGATAAATTGAGCATGATGGATGCTGATAATATCATTCCCGTGT 
>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 
>Clone_27-1 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTC 
>Clone_27-2 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTCGTTTTGTTCTAGATTAACTATCAGTTTGGTTCTGTTTGTCCTCGTACTGGGTTGTGTCAATGCACAACTT 
>Clone_34-1 
GTTACGGGGGAATAACAAAACTCACCAACTAACAACTAACTACTACTTCACTTTTCAACTACTTTACTACAATACTAAGAATGAAAACCATTCTCCTCATTATCTTTGCTCTCGCTCTTTTCACAAGAGCTCAAGTCCCTGGCTACCAAGCCATCG 
>Clone_34-3 
GTTACGGGGGAATAACAAAACTCACCAACTAACAACTAACTACTACTTCACTTTTCAACTACTTTACTACAATACTAAGAATGAAAACCATTCTCCTCATTATCTTTGCTCTCGCTCTTTTCACAAGAGCTCAAGTCCCTGGCTACCAAGCCATCGATATCGCTGAAGCCCAATC 
>Clone_44-1 
GTTACGGGGGAATCCGAATTCACAGATTCAATTACACCCTAAAATCTATCTTCTCTACTTTCCCTCTCTCCATTCTCTCTCACACACTGTCACACACATCC 
>Clone_44-3 
GTTACGGGGGAATCCGAATTCACAGATTCAATTACACCCTAAAATCTATCTTCTCTACTTTCCCTCTCTCCATTCTCTCTCACACACTGTCACACACATCCCGGCAGCGCAGCCGTCGTCTCTACCCTTCACCAGGAATAAGTTTATTTTTCTACTTAC 

name.txt

Clone_23 
Clone_27-1 

Ich möchte AWK verwenden, durch die fasta Datei zu suchen und erhalten alle fasta Sequenzen für bestimmte Kandidaten, deren Namen gespeichert in eine andere Datei.

awk 'NR==FNR{a[$1]=$1} BEGIN{RS="\n>"; FS="\n"} NR>FNR {if (match($1,">")) {sub(">","",$1)} for (p in a) {if ($1==p) print ">"$0}}' name.txt seq.fasta 

Das Problem ist, dass ich nur die Reihenfolge der ersten Kandidaten in name.txt extrahieren kann, wie dieses

>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 

Kann ich jemand helfen über einzeiligen awk zu beheben?

Answer 1

Wenn es in Ordnung oder sogar erwünscht ist und den Namen zu drucken, können Sie einfach grep verwenden:

grep -Ff name.txt -A1 a.fasta 

• -f name.txt Picks Muster von name.txt
• -F behandelt sie als Zeichenketten statt regulären Ausdrücke
• A1 druckt die übereinstimmende Zeile plus die folgende Zeile

Wenn die Namen nicht in der Ausgabe gewünscht würde ich einfach Rohr zu einem anderen grep:

above_command | grep -v '>' 

---

Eine awk Lösung kann wie folgt aussehen:

awk 'NR==FNR{n[$0];next} substr($0,2) in n && getline' name.txt a.fasta 

besser in einer mehrzeiligen Version erklärt :

# True as long as we are reading the first file, name.txt 
NR==FNR { 
    # Store the names in the array 'n' 
    n[$0] 
    next 
} 

# I use substr() to remove the leading `>` and check if the remaining 
# string which is the name is a key of `n`. getline retrieves the next line 
# If it succeeds the condition becomes true and awk will print that line 
substr($0,2) in n && getline 

Answer 2

$ awk 'NR==FNR{n[">"$0];next} f{print f ORS $0;f=""} $0 in n{f=$0}' name.txt seq.fasta 
>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 
>Clone_27-1 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTC