如何将字符串添加到 fasta 标识符

Question

我有一个包含多个序列的 fasta 文件：

grep -e ">" seq.fasta
>mmu_miR_8109 
>mmu_miR_8110 
>mmu_miR_8111 
>mmu_miR_8112 
>mmu_miR_8113 
>mmu_miR_8114 
>LQNS02136402.1_14821_5p 
>LQNS02278094.1_35771_5p 
>Dpu-Mir-22-P2_LQNS02276481.1_18963_3p

我想在序列标识符中添加另一部分，使其看起来像这样：

grep -e ">" results.fasta"
>mmu_miR_8109 MOUSE Mus musculus miR_8109
>mmu_miR_8110 MOUSE Mus musculus miR_8110
>mmu_miR_8111 MOUSE Mus musculus miR_8111
>mmu_miR_8112 MOUSE Mus musculus miR_8112
>mmu_miR_8113 MOUSE Mus musculus miR_8113
>mmu_miR_8114 MOUSE Mus musculus miR_8114
>LQNS02136402.1_14821_5p MOUSE Mus musculus 14821_5p
>LQNS02278094.1_35771_5p MOUSE Mus musculus 35771_5p
>Dpu-Mir-22-P2_LQNS02276481.1_18963_3p  MOUSE Mus musculus 18963_3p

请注意，MOUSE Mus musculus 始终相同，每个标识符的最后部分等于第 1 列的最后部分“_to_keep”

到目前为止我已经做到了：

 grep -e ">" seq.fasta | sed 's/>.*/& MOUSE/' | sed 's/>.*/& Mus musculus/'

但是我遗漏了最后一部分（保留最后的值）以及如何应用它来对 fasta 文件进行更改。希望有人能帮忙。谢谢！！

Answer 1

这里有一个简单的awk方法，把FS设置为下划线似乎很方便。当一行是 header 时，我们通过添加固定字符串和现有字符串的最后两部分来修改它，并打印所有带有 1.

的行

awk -F_ '/>/{[=10=] = [=10=] " MOUSE Mus musculus " $(NF-1) FS $NF} 1' file

输出：

>mmu_miR_8109 MOUSE Mus musculus miR_8109 
>mmu_miR_8110 MOUSE Mus musculus miR_8110 
>mmu_miR_8111 MOUSE Mus musculus miR_8111 
>mmu_miR_8112 MOUSE Mus musculus miR_8112 
>mmu_miR_8113 MOUSE Mus musculus miR_8113 
>mmu_miR_8114 MOUSE Mus musculus miR_8114 
>LQNS02136402.1_14821_5p MOUSE Mus musculus 14821_5p 
>LQNS02278094.1_35771_5p MOUSE Mus musculus 35771_5p 
>Dpu-Mir-22-P2_LQNS02276481.1_18963_3p MOUSE Mus musculus 18963_3p

确认输出良好后，您可以修改现有文件，如下所示：

awk -F_ '/>/{[=12=] = [=12=] " MOUSE Mus musculus " $(NF-1) FS $NF} 1' file > file.tmp && mv file.tmp file

在继续之前始终备份您的数据。

Answer 2

这可能适合您 (GNU sed)：

sed -Ei 's/(.*_(.*_\S*)).*/ MOUSE Mus musculus /' file

如何将字符串添加到 fasta 标识符

How to add strings to fasta identifiers

unix

awk

sed

fasta