在使用awk的fasta頭文件中的分隔符後保留文本

Question

我有什麼應該是一個簡單的問題，但是我缺乏awk知識讓我失望。

我想清理FASTA文件，它是在這種格式的標頭：

>HWGG454_Clocus2_Locus3443_allele1 
ATTCTACTACTACTCT 
>GHW757_clocus37_Locus555662_allele2 
CTTCCCTACGATG 
>TY45_clocus23_Locus800_allele0 
TTCTACTTCATCT 

我想清理每個報頭（開頭的行「>」）只保留信息部分，這是第二個「_Locus *」，有或沒有等位基因部分。

我認爲awk會是這樣做的簡單方法，但我無法完成它的工作。我想運行這個（假設這個玩具的例子在文件test.fasta中）：

cat test.fasta | awk -F '_' '{print $1}' 

>HWGG454 
ATTCTACTACTACTCT 
>GHW757 
CTTCCCTACGATG 
>TY45 
TTCTACTTCATCT 

但是，我要的是留住只是「軌跡*」的文字，這是第3次分隔符之後，但是，使用這種代碼我得到這個：

cat test.fasta | awk -F '_' '{print $3}' 
Locus3443 

Locus555662 

Locus800 

我在做什麼錯在這裏？

謝謝。

Answer 1

我明白這意味着您要從標題行中選擇Locus字段，並保持其他字段不變。然後：

awk -F _ '/^>/ { print $3; next } 1' filename 

也許是最簡單的方法。這種工作方式如下：

/^>/ {  # in lines that begin with > 
    print $3 # print the third field 
    next  # and go to the next line. 
} 
1   # print other lines unchanged. Here 1 means true, and the 
      # default action (unchanged printing) is performed. 

瞭解這裏的事情是awk的控制流：AWK代碼由具有關聯操作的條件，如果條件計算爲真執行的操作。

/^>/是整個記錄的正則表達式匹配（默認爲行）;它是真實的，如果符合>（因爲^比賽開始時）開始，所以

/^>/ { print $3; next } 

將AWK在與>開頭的行執行print $3; next。不那麼簡單的部分是

1 

其中打印行不變。如果第一個動作未被執行（因爲其中的next），並且此1將被視爲始終爲真的條件 - 非awk中的非零值爲true。

現在，如果省略了awk語句中的條件或操作，則使用默認值。默認的操作是不改變地打印行，並且這利用了它。它也同樣可以寫

1 { print } 

或

{ print } 

在後者的情況下，省略了條件和默認條件「真」被使用。1是這個的最短變體，因爲它的原因。

Answer 2

您需要第二個awk匹配下面的行。例如

cat test.fasta | awk -F _ '/^>/ { print $3"_"$4 } /^[A-Z]/ {print $1}' 

輸出：

Locus3443_allele1 
ATTCTACTACTACTCT 
Locus555662_allele2 
CTTCCCTACGATG 
Locus800_allele0 
TTCTACTTCATCT 

如果你不想_allele1位從awk腳本刪除"_"$4。

Answer 3

$ awk -F_ '{print (/^>/ ? $3 : $0)}' file 
Locus3443 
ATTCTACTACTACTCT 
Locus555662 
CTTCCCTACGATG 
Locus800 
TTCTACTTCATCT 

Answer 4

你可以做每行一個正則表達式：

$ awk '{ sub(/^.*_L/,"L"); print $0}' /tmp/fasta.txt 
Locus3443_allele1 
ATTCTACTACTACTCT 
Locus555662_allele2 
CTTCCCTACGATG 
Locus800_allele0 
TTCTACTTCATCT