使用awk通过文件中的ID从multifasta文件中提取序列

Question

我想从 multifasta 文件中提取与单独 ID 列表给出的 ID 匹配的序列。

FASTA 文件seq.fasta:

>7P58X:01332:11636
TTCAGCAAGCCGAGTCCTGCGTCGTTACTTCGCTT
CAAGTCCCTGTTCGGGCGCC
>7P58X:01334:11605
TTCAGCAAGCCGAGTCCTGCGTCGAGAGTTCAAGTC
CCTGTTCGGGCGCCACTGCTAG
>7P58X:01334:11613
ACGAGTGCGTCAGACCCTTTTAGTCAGTGTGGAAAC
>7P58X:01334:11635
TTCAGCAAGCCGAGTCCTGCGTCGAGAGATCGCTTT
CAAGTCCCTGTTCGGGCGCCACTGCGGGTCTGTGTC
GAGCG
>7P58X:01336:11621
ACGCTCGACACAGACCTTTAGTCAGTGTGGAAATCT
CTAGCAGTAGAGGAGATCTCCTCGACGCAGGACT

ID 文件 id.txt:

7P58X:01332:11636
7P58X:01334:11613

我想获取仅包含那些与 id.txt 文件中的 ID 匹配的序列的 fasta 文件：

>7P58X:01332:11636
TTCAGCAAGCCGAGTCCTGCGTCGTTACTTCGCTTT
CAAGTCCCTGTTCGGGCGCC
>7P58X:01334:11613
ACGAGTGCGTCAGACCCTTTTAGTCAGTGTGGAAAC

我真的很喜欢我在答案 here and 中找到的 awk 方法，但是那里给出的代码对于我给出的示例仍然不能完美运行。原因如下：

(1)

awk -v seq="7P58X:01332:11636" -v RS='>' ' == seq {print RS [=13=]}' seq.fasta

此代码适用于多行序列，但 ID 必须单独插入到代码中。

(2)

awk 'NR==FNR{n[">"[=14=]];next} f{print f ORS [=14=];f=""} [=14=] in n{f=[=14=]}' id.txt seq.fasta

此代码可以从 id.txt 文件中获取 ID，但 returns 只能获取多行序列的第一行。

我想最好的办法是修改代码 (2) 中的 RS 变量，但到目前为止我的所有尝试都失败了。请问有人可以帮我吗？

Answer 1

以下 awk 可能会对您有所帮助。

awk 'FNR==NR{a[[=10=]];next} /^>/{val=[=10=];sub(/^>/,"",val);flag=val in a?1:0} flag' ids.txt  fasta_file

Answer 2

$ awk -F'>' 'NR==FNR{ids[[=10=]]; next} NF>1{f=( in ids)} f' id.txt seq.fasta
>7P58X:01332:11636
TTCAGCAAGCCGAGTCCTGCGTCGTTACTTCGCTT
CAAGTCCCTGTTCGGGCGCC
>7P58X:01334:11613
ACGAGTGCGTCAGACCCTTTTAGTCAGTGTGGAAAC

Answer 3

我遇到了类似的问题。我的 multi-fasta 文件大小约为 25G。我使用 sed 而不是 awk，尽管我的解决方案是一个丑陋的 hack。

首先，我将每个序列标题的行号提取到一个数据文件中。

grep -n ">" multi-fasta.fa > multi-fasta.idx

我得到的是这样的：

1:>DM_0000000004
5:>DM_0000000005
11:>DM_0000000007
19:>DM_0000000008
23:>DM_0000000009

然后，我通过标题提取了想要的序列，例如。 DM_0000000004，使用下面的脚本。

seqnm=
idx0_idx1=`grep -n $seqnm multi-fasta.idx`

idx0=`echo $idx0_idx1 | cut -d ":" -f 1`
idx0plus1=`expr $idx0 + 1`

idx1=`echo $idx0_idx1 | cut -d ":" -f 2`

idx2=`head -n $idx0plus1 multi-fasta.idx | tail -1 | cut -d ":" -f 1`
idx2minus1=`expr $idx2 - 1`

sed ''"$idx1"','"$idx2minus1"'!d' multi-fasta.fa > ${seqnm}.fasta

比如我要提取DM_0000016115的序列。 idx0_idx1 变量给我：

7507:42520:>DM_0000016115

7507(idx0)是第42520行的行号:>DM_0000016115 在 multi-fasta.idx.

42520(idx1)是行号>DM_0000016115 在 multi-fasta.fa.

idx2 是所需序列标题正下方的行号（>DM_0000016115).

最后，使用sed，我们可以提取idx1和idx2 minus 1，即标题和序列，此时可以使用grep -A .

这个ugly-hack的优点是它不需要multi-fasta文件中每个序列的特定行数。

困扰我的是这个过程很慢。对于我的 25G multi-fasta 文件，这样的提取需要几十秒。但是，它比使用 samtools faidx 快得多。

使用awk通过文件中的ID从multifasta文件中提取序列

extract sequences from multifasta file by ID in file using awk

search

awk

bioinformatics

multiline

fasta