提取 fasta 文件中给定序列的序列头

Question

我有一个像这样的 fasta 文件(myfasta.fasta):

>aat.2.2344.a
ATTGCCGGTTTAATATTA
>aat.2.d2344.acc
ATTGCCGGTTTAATAAA
>aat.2.2bb344.a
ATTGCCGGTTTAATAGGAGAGAATT
>aat.2.2ccc344.a
ATTGCCGGTTTAATAGGGAG
>aat.2.2344.acc
ATTGCCGGTTTAATAAA

我还有一个文本文件my.txt，其中包含与上述 fasta 文件中的序列相匹配的序列：

ATTGCCGGTTTAATAAA

基于这个序列，我想为这个序列提取所有匹配的 ID。有人可以帮我吗？谢谢！

我想要的结果是：

>aat.2.2344.acc
>aat.2.d2344.acc

Answer 1

假设您的输入数据格式与示例一致

$ awk -v v='ATTGCCGGTTTAATAAA' '/>/{id=[=10=]} ==v{print id}' file

>aat.2.d2344.acc
>aat.2.2344.acc

Answer 2

这可能对你有用 (GNU sed)：

sed 's|.*|/^&$/{x;p}|' keyFile | sed -n -e 'h;n' -f - fastaFile

从密钥文件创建一个 sed 脚本并运行它针对 fasta 文件。

Answer 3

您可能对 bioawk 感兴趣，它是 awk 的改编版本，可以处理 fasta 文件

bioawk -c fastx -v str="ATTGCCGGTTTAATAAA" '($seq == str) { print ">"$name }' file.fasta

注意： BioAwk is based on Brian Kernighan's awk 记录在 "The AWK Programming Language"，作者：Al Aho、Brian Kernighan 和 Peter Weinberger (Addison-Wesley, 1988, ISBN 0-201-07981-X) 。我不确定这个版本是否与 POSIX.

兼容

Answer 4

使用 grep 和 sed:

grep --no-group-separator -B 1 "ATTGCCGGTTTAATAAA" my.txt | sed -n 1~2p
>aat.2.d2344.acc
>aat.2.2344.acc

有关详细信息，请参阅 @QuoraFeans 的回答。

Answer 5

使用Python！创建一个名为 extract_fasta.py 的文件。在文件中插入：

lines = open("myfasta.fasta").readlines()

for line in lines:
    if line[0] == '>':
        print(line[1:])

然后，打开终端并运行 "python extract_fasta.py"。

提取 fasta 文件中给定序列的序列头

Extract sequence header for a given sequence in fasta file

unix

awk

sed

bioinformatics

fasta