Início / unix / Perguntas / 793875
Accepted
Paolo Lorenzini
Asked: 2025-04-18 00:09:08 +0800 CST

editar todos os valores em uma coluna específica com base no intervalo de números de linha

  • 772

Tenho um arquivo PDB (coordenadas de átomos em uma proteína) em uma máquina Linux:

ATOM      1   N  GLY A   1       0.535  51.766   5.682  1.00  0.00              
ATOM      2  CA  GLY A   1      -0.712  50.962   5.596  1.00  0.00              
ATOM      3   C  GLY A   1      -1.243  50.872   4.179  1.00  0.00              
ATOM      4   O  GLY A   1      -1.313  51.888   3.492  1.00  0.00              
ATOM      5   N  GLN A   2      -1.600  49.664   3.737  1.00  0.00              
ATOM      6  CA  GLN A   2      -2.221  49.468   2.423  1.00  0.00              
ATOM      7   C  GLN A   2      -3.542  48.719   2.507  1.00  0.00              
ATOM      8   O  GLN A   2      -3.722  47.844   3.356  1.00  0.00              
ATOM      9  CB  GLN A   2      -1.280  48.738   1.468  1.00  0.00              
ATOM     10  CG  GLN A   2      -0.976  47.294   1.830  1.00  0.00              
....     ..  ..   .. .   .       ....   ....     ....   ....  ....
TER   SPLIT LINE FOR INTERNAL USE ONLY
ATOM      1  O5'  G  A   1     -44.412  97.503  31.177  1.00  0.00              
ATOM      2  C5'  G  A   1     -45.447  96.803  31.882  1.00  0.00              
ATOM      3  C4'  G  A   1     -45.225  95.295  31.894  1.00  0.00              
ATOM      4  O4'  G  A   1     -46.441  94.578  31.654  1.00  0.00              
ATOM      5  C3'  G  A   1     -44.328  94.850  30.748  1.00  0.00              
ATOM      6  O3'  G  A   1     -42.943  94.877  31.129  1.00  0.00              
ATOM      7  C2'  G  A   1     -44.804  93.425  30.542  1.00  0.00              
ATOM      8  O2'  G  A   1     -44.163  92.592  31.466  1.00  0.00              
ATOM      9  C1'  G  A   1     -46.304  93.444  30.772  1.00  0.00              
ATOM     10  N9   G  A   1     -46.965  93.699  29.495  1.00  0.00
....     ..  ..   .  .   .     .......  ......   .....  ....   ...

O registro TER marca explicitamente o fim de uma cadeia de aminoácidos específica. Quero alterar o ID da cadeia da proteína na quinta coluna pelo awk para atribuir o ID correto à nova cadeia após TER.

Resultado esperado:

ATOM      1   N  GLY A   1       0.535  51.766   5.682  1.00  0.00              
ATOM      2  CA  GLY A   1      -0.712  50.962   5.596  1.00  0.00              
ATOM      3   C  GLY A   1      -1.243  50.872   4.179  1.00  0.00              
ATOM      4   O  GLY A   1      -1.313  51.888   3.492  1.00  0.00              
ATOM      5   N  GLN A   2      -1.600  49.664   3.737  1.00  0.00              
ATOM      6  CA  GLN A   2      -2.221  49.468   2.423  1.00  0.00              
ATOM      7   C  GLN A   2      -3.542  48.719   2.507  1.00  0.00              
ATOM      8   O  GLN A   2      -3.722  47.844   3.356  1.00  0.00              
ATOM      9  CB  GLN A   2      -1.280  48.738   1.468  1.00  0.00              
ATOM     10  CG  GLN A   2      -0.976  47.294   1.830  1.00  0.00                 
TER   SPLIT LINE FOR INTERNAL USE ONLY
ATOM      1  O5'  G  B   1     -44.412  97.503  31.177  1.00  0.00              
ATOM      2  C5'  G  B   1     -45.447  96.803  31.882  1.00  0.00              
ATOM      3  C4'  G  B   1     -45.225  95.295  31.894  1.00  0.00              
ATOM      4  O4'  G  B   1     -46.441  94.578  31.654  1.00  0.00              
ATOM      5  C3'  G  B   1     -44.328  94.850  30.748  1.00  0.00              
ATOM      6  O3'  G  B   1     -42.943  94.877  31.129  1.00  0.00              
ATOM      7  C2'  G  B   1     -44.804  93.425  30.542  1.00  0.00              
ATOM      8  O2'  G  B   1     -44.163  92.592  31.466  1.00  0.00              
ATOM      9  C1'  G  B   1     -46.304  93.444  30.772  1.00  0.00              
ATOM     10  N9   G  B   1     -46.965  93.699  29.495  1.00  0.00

Tudo precisa ser separado com os mesmos espaços, o seguinte arranjo estaria errado:

ATOM   3674  CD1 PHE A 460       2.350  79.471  35.466  1.00  0.00              
ATOM   3675  CD2 PHE A 460       1.037  81.443  35.196  1.00  0.00              
ATOM   3676  CE1 PHE A 460       2.425  79.321  34.080  1.00  0.00              
ATOM   3677  CE2 PHE A 460       1.108  81.298  33.805  1.00  0.00              
ATOM   3678  CZ  PHE A 460       1.805  80.232  33.250  1.00  0.00              
TER SPLIT LINE FOR B USE ONLY
ATOM 1 O5' G B 1 -44.412 97.503 31.177 1.00 0.00
ATOM 2 C5' G B 1 -45.447 96.803 31.882 1.00 0.00
ATOM 3 C4' G B 1 -45.225 95.295 31.894 1.00 0.00
ATOM 4 O4' G B 1 -46.441 94.578 31.654 1.00 0.00
ATOM 5 C3' G B 1 -44.328 94.850 30.748 1.00 0.00

Além disso, o arquivo termina com isto:

TER
ENDMDL

Há uma linha em branco no final do arquivo que precisa ser deixada como está

text-processing

3 respostas

  1. Best Answer

    Se seus campos forem delimitados por tabulações, isso pode ser o que você deseja, usando qualquer awk:

    $ awk 'BEGIN{FS=OFS="\t"} f && NF{ $5="B"} $1=="TER"{ f=1 } 1' file
ATOM    1       N       GLY     A       1       0.535   51.766  5.682   1.00    0.00
ATOM    2       CA      GLY     A       1       -0.712  50.962  5.596   1.00    0.00
ATOM    3       C       GLY     A       1       -1.243  50.872  4.179   1.00    0.00
ATOM    4       O       GLY     A       1       -1.313  51.888  3.492   1.00    0.00
ATOM    5       N       GLN     A       2       -1.600  49.664  3.737   1.00    0.00
ATOM    6       CA      GLN     A       2       -2.221  49.468  2.423   1.00    0.00
ATOM    7       C       GLN     A       2       -3.542  48.719  2.507   1.00    0.00
ATOM    8       O       GLN     A       2       -3.722  47.844  3.356   1.00    0.00
ATOM    9       CB      GLN     A       2       -1.280  48.738  1.468   1.00    0.00
ATOM    10      CG      GLN     A       2       -0.976  47.294  1.830   1.00    0.00
TER     SPLIT   LINE    FOR     INTERNAL        USE     ONLY
ATOM    1       O5'     G       B       1       -44.412 97.503  31.177  1.00    0.00
ATOM    2       C5'     G       B       1       -45.447 96.803  31.882  1.00    0.00
ATOM    3       C4'     G       B       1       -45.225 95.295  31.894  1.00    0.00
ATOM    4       O4'     G       B       1       -46.441 94.578  31.654  1.00    0.00
ATOM    5       C3'     G       B       1       -44.328 94.850  30.748  1.00    0.00
ATOM    6       O3'     G       B       1       -42.943 94.877  31.129  1.00    0.00
ATOM    7       C2'     G       B       1       -44.804 93.425  30.542  1.00    0.00
ATOM    8       O2'     G       B       1       -44.163 92.592  31.466  1.00    0.00
ATOM    9       C1'     G       B       1       -46.304 93.444  30.772  1.00    0.00
ATOM    10      N9      G       B       1       -46.965 93.699  29.495  1.00    0.00

    caso contrário, isso pode ser o que você quer, usando qualquer awk POSIX e não importa qual seja o espaço em branco entre os campos, contanto que você não possa ter espaço em branco nos primeiros 5 campos também:

    $ cat tst.sh
#!/usr/bin/env bash

awk '
    f && match($0, /^([^[:space:]]+[[:space:]]+){4}/) {
        $0 = substr($0,1,RLENGTH) "B" substr($0,RSTART+RLENGTH+1)
    }
    $1 == "TER" { f=1 }
    { print }
' "${@:--}"


    $ ./tst.sh file
ATOM      1   N  GLY A   1       0.535  51.766   5.682  1.00  0.00
ATOM      2  CA  GLY A   1      -0.712  50.962   5.596  1.00  0.00
ATOM      3   C  GLY A   1      -1.243  50.872   4.179  1.00  0.00
ATOM      4   O  GLY A   1      -1.313  51.888   3.492  1.00  0.00
ATOM      5   N  GLN A   2      -1.600  49.664   3.737  1.00  0.00
ATOM      6  CA  GLN A   2      -2.221  49.468   2.423  1.00  0.00
ATOM      7   C  GLN A   2      -3.542  48.719   2.507  1.00  0.00
ATOM      8   O  GLN A   2      -3.722  47.844   3.356  1.00  0.00
ATOM      9  CB  GLN A   2      -1.280  48.738   1.468  1.00  0.00
ATOM     10  CG  GLN A   2      -0.976  47.294   1.830  1.00  0.00
TER   SPLIT LINE FOR BNTERNAL USE ONLY
ATOM      1  O5'  G  B   1     -44.412  97.503  31.177  1.00  0.00
ATOM      2  C5'  G  B   1     -45.447  96.803  31.882  1.00  0.00
ATOM      3  C4'  G  B   1     -45.225  95.295  31.894  1.00  0.00
ATOM      4  O4'  G  B   1     -46.441  94.578  31.654  1.00  0.00
ATOM      5  C3'  G  B   1     -44.328  94.850  30.748  1.00  0.00
ATOM      6  O3'  G  B   1     -42.943  94.877  31.129  1.00  0.00
ATOM      7  C2'  G  B   1     -44.804  93.425  30.542  1.00  0.00
ATOM      8  O2'  G  B   1     -44.163  92.592  31.466  1.00  0.00
ATOM      9  C1'  G  B   1     -46.304  93.444  30.772  1.00  0.00
ATOM     10  N9   G  B   1     -46.965  93.699  29.495  1.00  0.00
    • 3

  2. Você pode tentar algo como:

    awk '{if($1=="TER") flag=1;if(flag==1) $5="B"}1' input_file

    Este código verifica se o primeiro token é = "TER" e define o sinalizador. Em seguida, verifica se o sinalizador é = 1 e, em caso afirmativo, define o valor do token 5 como "B". E, no final, imprime a linha inteira.

    Você pode modificá-lo assim para torná-lo como uma tabela com -Ralinhamento à direita de colunas específicas

    awk '{if($1=="TER") flag=1;if(flag==1) $5="B"}1' qq|column -t -R 2,3,7,8,9
    • 2

  3. Se você quiser analisar e manipular corretamente arquivos PDB, deverá usar uma linguagem que tenha um módulo de biblioteca capaz de fazer isso.

    Por exemplo, perl e o módulo Bio::PDB::Structure — um "módulo Perl para analisar e manipular arquivos do Protein Databank (PDB)"

    Da descrição do módulo:

    Este módulo combina ferramentas comumente usadas para analisar proteínas e ácidos nucleicos de estruturas de arquivos PDB.

    Os principais benefícios de usar o módulo são sua capacidade de analisar e imprimir uma estrutura PDB com esforço mínimo.

    Entretanto, além disso, é possível fazer alinhamentos estruturais, cálculos de RMSD, edições de átomos, cálculos de centro de massa, edições de moléculas e assim por diante.

    Objetos Atom e Molecule são definidos neste módulo.

    Resumindo, usar a ferramenta certa para o trabalho tornará o que você deseja fazer tão simples quanto:

    1. leia e analise o arquivo PDB em uma estrutura de dados Perl usando as funções e métodos no módulo. por exemplo, comece com $m = Bio::PDB::Structure::Molecule->new;, para criar um novo objeto chamado $mpara armazenar os dados PDB, depois $m->read("molecule.pdb",0);leia e analise o arquivo em $m.
    2. faça as alterações necessárias na estrutura de dados. Por exemplo, para sua pergunta, você iteraria sobre cada átomo em $m, verificaria se ele corresponde aos seus critérios e faria as alterações necessárias.
    3. Imprima a estrutura de dados em um novo arquivo PDB. Isso será gerado automaticamente com tantos espaços e/ou tabulações quantos forem necessários para um arquivo PDB formatado corretamente. Por exemplo:$m->print("new.pdb");

    Aliás, veja também Bioperl . Como diz a página da web: "O Projeto Bioperl é uma associação internacional de usuários e desenvolvedores de ferramentas Perl de código aberto para bioinformática, genômica e ciências da vida" .

    Usar (e/ou modificar) código de código aberto existente pode economizar muitas horas, dias, semanas ou mais reinventando as mesmas ferramentas ou ferramentas semelhantes que muitos pesquisadores antes de você precisaram inventar.

    Há também o Biopython , que é basicamente a mesma coisa para a linguagem Python em vez do Perl. Em particular, confira o pacote Bio.PDB .

    E, de forma mais geral, temos a Open Bioinformatics Foundation : "A Open Bioinformatics Foundation (OBF) é um grupo sem fins lucrativos, administrado por voluntários, que promove o desenvolvimento de software de código aberto e a Ciência Aberta na comunidade de pesquisa biológica. A filiação à OBF é gratuita e aberta a qualquer pessoa que queira ajudar a promover o código aberto ou a ciência aberta em um campo biológico."

    • 0

relate perguntas