使用序列 ID 提取 FASTA 序列

Question

我有两个文件：文件 1：

84C2_Locus_14_Transcript_1/3_Confidence_0.571_Length_1244
AAACTAGTCAATAGAGAAAATCCAAAGTGGATGAAATTGAAGTGATTGTATGGCACAAGT...so on

>84C2_Locus_14_Transcript_2/3_Confidence_0.857_Length_1961
AAACTAGTCAATAGAGAAAATCCAAAGTGGATGAAATTGAAGTGATTGTATGGCACAAGT...so on

>84C2|Locus_15_Transcript_1/9_Confidence_0.190_Length_757
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA.....so on

>84C2_Locus_15_Transcript_5/9_Confidence_0.333_Length_1841
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA....so on

File2: 只有序列 IDS

84C2_Locus_14_Transcript_1/3_Confidence_0.571_Length_1244
84C2_Locus_14_Transcript_2/3_Confidence_0.857_Length_1961
84C2_Locus_14_Transcript_3/3_Confidence_0.571_Length_1248
84C2_Locus_15_Transcript_1/9_Confidence_0.190_Length_757

............这么多。

我的输出文件应该包含与 header 关联的序列。即匹配序列 id 文件 header 部分与原始 fasta 序列文件，那些序列 header 匹配 fasta 序列 header 存储在另一个包含 header 和 [=25= 的输出文件中] 像这样：

原始输出文件应该是这样的：

>84C2_Locus_15_Transcript_5/9_Confidence_0.333_Length_1841
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA......so on

请给我建议适用于我的问题的 perl 方法。

Answer 1

编辑：新代码，第一次没看懂你的问题。该脚本读取两个文件，将所有 ID 存储在哈希中，然后遍历第一个文件中的所有序列。只有那些 ID 在第二个文件中的序列才会写入输出文件。请注意，输出是用 | 作为分隔符编写的，就像在第一个文件中一样，而不是像在第二个文件中的 ID 那样使用 _。第一个文件开头缺少的 > 也被正确复制。

#!/usr/bin/perl -w

use strict;

# Check command line arguments
unless ($#ARGV == 1 && -e $ARGV[0] && -e $ARGV[1]) {
        print STDERR "Usage: split-fasta.pl DATA IDS\n";
        exit 1;
}

my (%ids, $id);

# Read sequence IDs
open(IDS, "<$ARGV[1]") or die "Can't open IDs file: ";

while (<IDS>) {
        $ids{$_} = 1;
}

close(IDS);


# Read sequence data and write results to output.fasta
open(DATA,    "<$ARGV[0]") or die "Can't open sequences file: ";
open(OUTFILE, ">>output.fasta") or die "Can't open output file: ";

while (<DATA>) {
        my $line = $_;


        if ($line =~ /^>?(\w+\|.+\n)/) {
                $id = ;
                $id =~ tr/|/_/;
        }

        print OUTFILE $line if defined $ids{$id};
}

close(DATA);
close(OUTFILE);

那么，您基本上是想将文件 1 拆分成多个文件，每个文件只包含一个序列？也许这个丑陋的（可能关闭每个文件句柄，而不仅仅是最后一个......）Perl 片段会帮助你。

~~#!/usr/bin/perl -w use strict; while (<>) { my $line = $_; if ($line =~ />?([0-9]+|\w+)\//) { my $file_name = ; open(OUTFILE, ">>$file_name"); } print OUTFILE $line; } close(OUTFILE);~~

编辑： 如果您想从第二个文件中输入 ID，只需添加另一个 if，使其与来自 headers 的 ID 相匹配第一个文件。只要两个文件的顺序相同，这应该就可以工作，因为输入在写入时会立即被丢弃并且不能再被搜索。

使用序列 ID 提取 FASTA 序列

extract FASTA sequence using sequence ID

perl

design-patterns

matching