使用 awk 查找可变长度的正则表达式并根据找到的长度编辑以下行

Question

我正在尝试用 awk 编辑一个 fastq 文件。

@someheader example fastq file
TGTACTTAGAGAAGCGC
+
BDDADHHIHHHIICHIG
@nextheader
CCGTAACCTGGGCAGTG
+
DDDDDHIIIIIIIIIII

我要实现的是：

查找以下正则表达式：/AGATCGGAAG[ATGC]{0,24}$/ - 如果可能，仅在实际可能找到的行中查找（例如第 2、6、10 行，x+2%4= 0 基本上)
如果找到，删除匹配项
然后删除当前行后2行末尾相同数量的字符

到目前为止，基于正则表达式编辑一行对我来说没有问题，我使用了：

awk '{ gsub(/AGATCGGAAG[ATGC]{0,24}$/, ""); print RLENGTH }'

但我不知道如何在两行后删除相同数量的字符。我很没有经验，才开始学习awk，所以欢迎任何帮助。

问候

编辑：这是一个包含上述模式的示例

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCGAGATCGGAAGAG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHCHDHHHFEEHHHH

这应该是输出：

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHC

该文件包含 4000 万个这样的条目，其中约 250k 包含模式

Answer 1

这可能有效，但由于您的示例输入不包含任何与正则表达式匹配的行，并且您没有提供任何预期的输出，当然它未经测试：

NR%4 == 2 { match([=10=],/AGATCGGAAG[ATGC]{0,24}$/) }
RSTART && (NR%4 ~ /^[02]$/) { [=10=] = substr([=10=],1,RSTART-1) }
{ print }

Answer 2

Perl 解决方案：

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

my $length;
while (<>) {                            # Read line by line.
    if (2 == $. % 4) {
        $length = length  if s/(TAGAGA[ACTG]{0,7})$//;
    } elsif (0 == $. % 4 && $length) {  # We should shorten this line.
        s/.{$length}$//;
        undef $length;                  # Done.
    }
    print;
}

Answer 3

有点长，但应该可以：

awk '
    BEGIN {
        n=-1
        pat="AGATCGGAAG[ATGC]{0,24}$"
    }
    NR%4==2 && [=10=] ~ pat {
        match([=10=], pat);
        gsub(pat, "");
        n=NR+2;
    }
    NR==n {
        print substr([=10=],1,RSTART-1) substr([=10=],RSTART+RLENGTH)
        next
    }
    { print }

'

使用 awk 查找可变长度的正则表达式并根据找到的长度编辑以下行

Use awk to find regex of variable length and edit following lines based on length found

linux

bash

shell

awk

fastq