主页 / unix / 问题 / 681372
Accepted
Darker Walker
Asked: 2021-12-14 23:59:23 +0800 CST

如何删除fasta文件中每个蛋白质序列末尾的*

  • 772

我有一个包含特定蛋白质的多个序列（氨基酸序列）的 fasta 文件。序列的最后一个字符表示为“*”，它实际上代表终止密码子。我正在尝试使用 MUSCLE 进行多序列比对，但该工具拒绝所有最后带有“*”的序列。

如何删除“*”？

例如我的输入文件是：

>seq1
MSDGFHS*
>Seq2
MSDRFH*

我需要的是：

>seq1
MSDGFHS
>Seq2
MSDRFH
text-processing bioinformatics

4 个回答

  1. Best Answer

    与sed. 例如：

    $ printf ">seq1\nMSDGFHS*\n>Seq2\nMSDRFH*\n" | sed -e 's/\*$//'
>seq1
MSDGFHS
>Seq2
MSDRFH

    这将删除行尾的任何文字星号字符 ( *)。

    您可以使用 sed 的-i选项来编辑原始文件。或者只是将sed的输出重定向到一个新的 fasta 文件并将其用作 MUSCLE 的输入，如果您还需要将原始文件与其他程序一起使用，这将是一个更好的选择（通常最好不要永久删除信息 - 一旦您删除数据，不能保证你能把它找回来。备份总是好的，因为使用临时修改版本的文件用于特殊目的）。

    • 3

  2. 如果您的数据不包含*您想要保留的其他位置的 s，那么这是一项tr存在要做的工作：

    $ tr -d '*' < file
>seq1
MSDGFHS
>Seq2
MSDRFH
    • 2

  3. vi作品：

    vi file.txt
:1,$s/\*$//
ZZ

    这告诉vi解决文件中的所有行 ( 1,$)，并且每当*在行尾 () 找到文字（因为它是正则表达式元字符而被转义$）时，它会被替换为空，即被删除。

    正如@roaima现在已删除的评论中所指出的，搜索和替换命令可以更方便地编写为：

    :%s/\*//
    • 1

  4. 使用Raku（以前称为 Perl_6）

    raku -pe 's/ \* $ //;'

    样本输入：

    >seq1
MSDGFHS*
>Seq2
MSDRFH*

    样本输出：

    >seq1
MSDGFHS
>Seq2
MSDRFH

    到这个时候，您应该熟悉s///“ triple-solidus ”成语了。以上是在 Perl 编程语言家族的成员 Raku 中执行的习语。该-e标志告诉 Raku 期待一个“单线”程序（而不是，例如，脚本文件的名称），strict默认情况下启用。该-p标志运行代码逐行自动打印$_每行末尾的主题变量。

    在两个左斜线字符之间，正则表达式搜索\*（反斜杠转义的）文字星号，然后是$字符串结尾的零宽度断言。两个右斜线字符之间没有任何内容，因此任何行尾星号都被替换为无内容（即删除）。

    在一个有趣的转折中，您可以切换到 Raku 的-ne非自动打印逐行标志，并且s///习语将逐行返回您选择的要修改/删除的内容（假设您已附加了类似的打印语句say） ：

    raku -ne 's/ \* $ //.say;'  test.fasta
Nil
｢*｣
Nil
｢*｣

    最后，如果您对生物信息学工具包没有强烈的偏好，您可以考虑BioPerl或BioPerl6。

    https://raku.org

    • 0

相关问题