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

根据行号范围编辑特定列中的所有值

  • 772

我在 Linux 机器上有一个PDB 文件（蛋白质中原子的坐标）：

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
....     ..  ..   .  .   .     .......  ......   .....  ....   ...

TER 记录明确标记了特定氨基酸链的结束。我想用 awk 更改第 5 列的蛋白质链 ID，以便在 TER 之后为新的链分配正确的 ID。

预期输出：

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

所有内容都需要用相同的空格分隔，以下安排是错误的：

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

此外，该文件以此结尾：

TER
ENDMDL

文件末尾有一个空白行，需要保留原样

text-processing

3 个回答

  1. Best Answer

    如果您的字段是制表符分隔的，那么这可能就是您想要的，使用任何 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

    否则这可能就是您想要的，使用任何 POSIX awk，无论字段之间的空格是什么，只要前 5 个字段内不能有空格：

    $ 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. 您可以尝试以下方法：

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

    这段代码检查第一个 token 是否为“TER”，并设置 flag。然后检查 flag 是否为 1，如果是，则将 token 5 的值设置为“B”。最后打印整行

    您可以像这样修改它，使它像表格一样，-R右对齐特定的列

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

  3. 如果您想要正确解析和操作 PDB 文件，您应该使用具有能够执行此操作的库模块的语言。

    例如，perl 和Bio::PDB::Structure模块——“用于解析和操作蛋白质数据库 (PDB) 文件的 Perl 模块”

    从模块的描述来看：

    该模块结合了常用于从 pdb 文件结构分析蛋白质和核酸的工具。

    使用该模块的主要好处是它能够以最小的努力解析和打印出 pdb 结构。

    但除此之外，还可以进行结构比对、RMSD 计算、原子编辑、质心计算、分子编辑等。

    Atom 对象和 Molecule 对象都在此模块中定义。

    简而言之，使用正确的工具可以使您想要做的事情变得如此简单：

    1. 使用模块中的函数和方法读取并将 PDB 文件解析为 perl 数据结构。例如，从开始$m = Bio::PDB::Structure::Molecule->new;，创建一个名为 的新对象$m来存储 PDB 数据，然后$m->read("molecule.pdb",0);读取并将文件解析为$m。
    2. 对数据结构进行任何您需要的更改。例如，对于您的问题，您将遍历中的每个原子$m，检查它是否符合您的标准，并进行必要的更改。
    3. 将数据结构打印到新的 PDB 文件中。这将自动输出正确格式的 PDB 文件所需的空格和/或制表符数量。例如$m->print("new.pdb");

    顺便提一下，也可以看看Bioperl。正如其网页所述：“Bioperl 项目是一个由生物信息学、基因组学和生命科学领域的开源 Perl 工具用户和开发者组成的国际协会”。

    使用（和/或修改）现有的开源代码可以节省您许多小时、几天、几周甚至更多的时间，无需重新发明许多在您之前需要研究人员发明的相同或类似的工具。

    还有Biopython，它基本上是 Python 语言而不是 Perl 语言的。特别推荐查看Bio.PDB包。

    更广泛地说，还有开放生物信息学基金会：“开放生物信息学基金会 (OBF) 是一个由志愿者运营的非营利性组织，致力于在生物研究界推广开源软件开发和开放科学。OBF 的会员资格免费，任何希望在生物领域推动开源或开放科学的人都可以加入。”

    • 0

相关问题