如何在 awk 或 sed 中使用正则表达式来查找 DNA 序列中的所有同聚物?

how to use regular expression in awk or sed, for find all homopolymers in DNA sequence?

背景

均聚物是具有连续相同碱基的 DNA 子序列,如 AAAAAAA。 python 中的示例用于提取它:

import re
DNA = "ACCCGGGTTTAACCGGACCCAA"
homopolymers = re.findall('A+|T+|C+|G+', DNA)
print homopolymers
['A', 'CCC', 'GGG', 'TTT', 'AA', 'CC', 'GG', 'A', 'CCC', 'AA']

我的努力

我制作了一个解决问题的 gawk 脚本,但没有使用正则表达式:

echo "ACCCGGGTTTAACCGGACCCAA" | gawk '
BEGIN{
  FS=""
}
{
  homopolymer = ;
  base = ;
  for(i=2; i<=NF; i++){
    if($i == base){
      homopolymer = homopolymer""base;
    }else{
      print homopolymer;
      homopolymer = $i;
      base = $i;
    }
  }
  print homopolymer;
}'

输出

A
CCC
GGG
TTT
AA
CC
GG
A
CCC
AA

问题

如何在 awk 或 sed 中使用正则表达式,得到相同的结果?

grep -o 将在一行中为您提供:

echo "ACCCGGGTTTAACCGGACCCAA"| grep -ioE '([A-Z])*'
A
CCC
GGG
TTT
AA
CC
GG
A
CCC
AA

解释:

([A-Z])   # matches and captures a letter in matched group #1
*       # matches 0 or more of captured group #1 using back-reference 

sed 不是最好的工具,但由于 OP 要求它:

echo "ACCCGGGTTTAACCGGACCCAA" | sed -r 's/([A-Z])*/&\n/g'
A
CCC
GGG
TTT
AA
CC
GG
A
CCC
AA

PS: 这是 gnu-sed。

尝试使用拆分并进行比较。

echo "ACCCGGGTTTAACCGGACCCAA" | awk '{ split([=10=], chars, "")
  for (i=1; i <= length([=10=]); i++) {
    if (chars[i]!=chars[i+1])
    {
      printf("%s\n", chars[i])
    }
   else
   { 
     printf("%s", chars[i])
   }
  }
 }' 

A
CCC
GGG
TTT
AA
CC
GG
A
CCC
AA

解释

split方法将你发送给awk的一行字符串进行分割,并将数组chars[]中的每个字符分开。现在,我们遍历整个数组并检查 char 是否等于下一个 if (chars[i]!=chars[i+1]) 然后,如果相等,我们只打印 char,并等待下一个。如果下一个不同,我们只打印基本字符,\n 表示换行符。