使用序列 ID 提取 FASTA 序列

Question

我有两个文件： 文件 1：

84C2_Locus_14_Transcript_1/3_Confidence_0.571_Length_1244
AAACTAGTCAATAGAGAAAATCCAAAGTGGATGAAATTGAAGTGATTGTATGGCACAAGT...so on

>84C2_Locus_14_Transcript_2/3_Confidence_0.857_Length_1961
AAACTAGTCAATAGAGAAAATCCAAAGTGGATGAAATTGAAGTGATTGTATGGCACAAGT...so on

>84C2|Locus_15_Transcript_1/9_Confidence_0.190_Length_757
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA.....so on

>84C2_Locus_15_Transcript_5/9_Confidence_0.333_Length_1841
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA....so on

File2：只有序列IDS

84C2_Locus_14_Transcript_1/3_Confidence_0.571_Length_1244
84C2_Locus_14_Transcript_2/3_Confidence_0.857_Length_1961
84C2_Locus_14_Transcript_3/3_Confidence_0.571_Length_1248
84C2_Locus_15_Transcript_1/9_Confidence_0.190_Length_757

...........这么多。

我的输出文件应该包含与标题相关的序列。即，将序列 id 文件头部分与原始 fasta 序列文件匹配，并且这些序列头与 fasta 序列头存储在另一个包含带有序列的头文件的输出文件中。就像这样：

原始输出文件应该是这样的：

>84C2_Locus_15_Transcript_5/9_Confidence_0.333_Length_1841
ATTTGCTCGGAAAAACACTTCTCGTGGAACTTGTTAGCGCTGAGCTTGATCCCAAGACGA......so on

请建议我在 perl 中适用于我的问题的方式。

Answer 1

编辑：新代码，第一次没看懂你的问题。该脚本读取这两个文件，将所有 ID 存储在哈希中，然后遍历第一个文件中的所有序列。只有那些 ID 在第二个文件中的序列才会被写入输出文件。请注意，输出使用| 作为分隔符写入第一个文件中，而不是_ 就像第二个文件中的ID。第一个文件开头缺少的> 也被正确复制。

#!/usr/bin/perl -w

use strict;

# Check command line arguments
unless ($#ARGV == 1 && -e $ARGV[0] && -e $ARGV[1]) {
        print STDERR "Usage: split-fasta.pl DATA IDS\n";
        exit 1;
}

my (%ids, $id);

# Read sequence IDs
open(IDS, "<$ARGV[1]") or die "Can't open IDs file: $1";

while (<IDS>) {
        $ids{$_} = 1;
}

close(IDS);


# Read sequence data and write results to output.fasta
open(DATA,    "<$ARGV[0]") or die "Can't open sequences file: $1";
open(OUTFILE, ">>output.fasta") or die "Can't open output file: $1";

while (<DATA>) {
        my $line = $_;


        if ($line =~ /^>?(\w+\|.+\n)/) {
                $id = $1;
                $id =~ tr/|/_/;
        }

        print OUTFILE $line if defined $ids{$id};
}

close(DATA);
close(OUTFILE);

那么，您基本上是想将文件 1 拆分为多个文件，每个文件只包含一个序列？也许这个丑陋的（可能关闭每个文件句柄，而不仅仅是最后一个......）Perl 会帮助你。

#!/usr/bin/perl -w

use strict;

while (<>) {
        my $line = $_;

        if ($line =~ />?([0-9]+|\w+)\//) {
                my $file_name = $1;
                open(OUTFILE, ">>$file_name");
        }

        print OUTFILE $line;
}

close(OUTFILE);

编辑：如果您想输入第二个文件中的 ID，只需添加另一个 if 以匹配 ID 与第一个文件中的标题。只要两个文件的顺序相同，这应该可以工作，因为输入在写入时会立即丢弃并且无法再搜索。