用部分序列重命名基因组 FASTA 文件 header

Question

我想用生物体名称（存储在文件中）和标识符（文件名的一部分）重命名 FASTA 文件。

所有文件的文件名和存储数据格式相同，每个文件只有一个FASTAheader和对应的序列。

原始文件名：

$ head GCF_000008205.1_ASM820v1_genomic.fna

>NC_007295.1 Mycoplasma hyopneumoniae J, complete genome
CCAAAATCAACTTTATTAAATGTGCTAAATAAAGTTGATAAAATGTTTGCAAAAACATTTTTGTTGTTTTAAACAAAACA
AATTGATTTAAAAATTATACTACAAAATTAAAGGAAAATTTATAAAATGCAAACAAATAAAAATAATTTAAAGGTTAGAA
CACAGCAAATTAGACAACAAATTGAAAATTTATTAAATGATCGAATGTTGTATAACAACTTTTTTAGCACAATTTATGTA
...

我只想重命名文件名，使用文件名中的程序集标识符 (GCF_000008205.1)，以及 FASTA header（猪肺炎支原体）的第二个和第三个词:

Mycoplasma_hyopneumoniae_GCF_000008205.1.fna

我试过这个：

for fname in *.fna; do
mv -- "$fname" \
"$(awk 'NR==1{printf("%s_%s_%s\n",,,substr(,2));exit}' "$fname")".fna
done

结果：

Mycoplasma_hyopneumoniae_NC_007295.1.fna

但是结果显示的是生物名称前面的代码，而不是我感兴趣的标识符，它在原始文件的名称中。

谢谢！

Answer 1

以下想法可行，但前提是每个文件的格式都与示例中的格式相同。在包含所有文件的目录中执行以下操作：

for i in $(ls)
do
  name1=$(cat "$i" | grep \> | awk -v OFS='_' '{print ,,_}')
  name2=$(basename "$i" | cut -d_ -f 1,2 | sed 's/$/.fna/g')
  mv "$i" "${name1}${name2}"
done

我建议在尝试之前先创建一个备份文件夹，以防万一您有一些格式不同的文件。

用部分序列重命名基因组 FASTA 文件 header

Rename genome FASTA files with part of sequence header

bash

filenames

fasta