如何删除包含 Ns 的 fasta 格式序列答案

【问题标题】：How to remove fasta formatted sequences that contain Ns如何删除包含 Ns 的 fasta 格式序列
【发布时间】：2013-11-13 02:06:55
【问题描述】：

我有一个这样的fasta文件

">ENS..._intronX
acgtacgtacgtacgt
">ENS..._intronY
acgtacgtNNNNa
acgtacgtacgtacgt
">ENS..._intronZ
acgtacgtacgtacgt
acgtacgtacgtacgt

我需要删除连续至少有 2 个N 的序列（因为这些内含子被错误注释了）。

这里应该是序列" >ENS..._intronY "（第3、4、5行应该去掉）

有什么建议吗？

谢谢，

【问题讨论】：

标签： perl awk fasta

【解决方案1】：

与gawk

awk -v RS='">' '!/NN/{printf $0RT}' file
">ENS..._intronX
acgtacgtacgtacgt
">ENS..._intronZ
acgtacgtacgtacgt
acgtacgtacgtacgt

【讨论】：

应该是 N+ 而不是您最初发布的 NNNN？
@BugKiller，叹息，ENS 中的 N 导致所有记录都不合格
downvoter，我想这与 awk 不是解析 fasta 文件的正确工具有关，但请解释一下
OP 的规范要求省略序列包含两个或多个 N 的 fasta 记录。您的脚本不适用于包含（例如）acgtacgtNNa 的序列。此外，fasta 记录以 > 而不是 "> 开头——即使 OP 显示双引号字符。
@Kenosis - 第一部分很容易修复，OP 似乎稍后编辑并添加了该细节。关于第二点，很高兴知道，但我不知道关于 fasta 的第一件事就是处理 OP 的样本数据

【解决方案2】：

既然您似乎正在研究生物信息学，请考虑熟悉 Bio::SeqIO，因为它会帮助您完成这项工作以及许多其他 fasta 解析工作：

use strict;
use warnings;
use Bio::SeqIO;

my $in = Bio::SeqIO->new( -file => shift, -format => 'Fasta' );

while ( my $seq = $in->next_seq() ) {
    print '>' . $seq->id . ' ' . $seq->desc . "\n" . $seq->seq . "\n"
      if $seq->seq !~ /nn/i;
}

用法：perl script.pl inFile [>outFile]

最后一个可选参数将输出定向到文件。

数据集上的输出：

>ENS..._intronX 
acgtacgtacgtacgt
>ENS..._intronZ 
acgtacgtacgtacgtacgtacgtacgtacgt

希望这会有所帮助！

【讨论】：