如何计算属于一个簇的序列？（来自 cd-hit 输出）

Question

我有cd-hit输出，我想获得属于同一个簇的序列数。

我的输入：

Cluster 1
0 33aa, >abu-miR-101a:1-8... *
Cluster 2
0 33aa, >abu-miR-103:1-8... * 1 33aa, >NODE_603086_length_... at 100.00%
2 33aa, >NODE_603086_length_... at 100.00%
3 33aa, >NODE_603086_length_... at 100.00%
4 33aa, >NODE_603086_length_... at 100.00%
Cluster 3
0 33aa, >abu-miR-10543:1-8... *
1 33aa, >abu-miR-10543:1-8... at 100.00%
Cluster 4
0 33aa, >abu-miR-10544:1-8... *
Cluster 5
0 33aa, >abu-miR-10545-5p:1-... *

I would like this output:
Cluster 1 1
Cluster 2 5
Cluster 3 2
Cluster 4 1
Cluster 5 1

我只想在第一列中显示簇的名称，在第二列中显示该簇包含的序列数。

Answer 1

最好向我们展示您的尝试，而且我不确定您如何获得与 Cluster 2 关联的 5 个序列（输出中只有 4 个，但我注意到 #1列表中缺少，所以可能是复制/粘贴错误？）。但是，在 Perl 中执行此操作的一种方法是逐行读取文件，如果您看到 'Cluster' 字符串，则将其设为散列键，否则（对于后续行），像这样迭代计数：

#!/usr/bin/env perl
use strict;
use warnings;
use autodie;

my %results;
my $cluster;

while (<DATA>) {
    if ($_ =~ /Cluster/) {
        chomp($cluster = $_);
        $results{$cluster} = 0;
    } else {
        $results{$cluster}++;
    }
}

print "$_\t$results{$_}\n" for (sort { $a cmp $b } keys %results);

__DATA__
Cluster 1
0 33aa, >abu-miR-101a:1-8... *
Cluster 2
0 33aa, >abu-miR-103:1-8... * 1 33aa, >NODE_603086_length_... at 100.00%
2 33aa, >NODE_603086_length_... at 100.00%
3 33aa, >NODE_603086_length_... at 100.00%
4 33aa, >NODE_603086_length_... at 100.00%
Cluster 3
0 33aa, >abu-miR-10543:1-8... *
1 33aa, >abu-miR-10543:1-8... at 100.00%
Cluster 4
0 33aa, >abu-miR-10544:1-8... *
Cluster 5
0 33aa, >abu-miR-10545-5p:1-... *

我在这里做了很多假设（例如，新的 Clusters 总是以包含字符串 "Cluster #" 的行开始，随后的行包含与每个 "Cluster" 相关的序列）。这只是一种快速思考方法的基本示例，您可能需要对其进行调整以满足您的最终需求。

Answer 2

完美！有用！我只是添加一个排序以获得按数字排序的结果。像这样：

perl count-cluster.pl | sort -k 2 -g | head

然后头部结果：

Cluster 0 64
Cluster 1 1
Cluster 2 5
Cluster 3 2
Cluster 4 1
Cluster 5 1
Cluster 6 1
Cluster 7 3
Cluster 8 1
Cluster 9 1

非常感谢！我的文件中有 3000 多行，我需要三种不同条件下的结果，这很有帮助！谢谢！

如何计算属于一个簇的序列？（来自 cd-hit 输出）

How to count sequences that belong a cluster? (from cd-hit output)

bash

perl

sequence

如何计算属于一个簇的序列？ （来自 cd-hit 输出）

How to count sequences that belong a cluster? (from cd-hit output)

bash

perl

sequence

如何计算属于一个簇的序列？（来自 cd-hit 输出）