在终端中合并文件时修改行名以避免冗余答案

【问题标题】：modifying line names to avoid redundancies when files are merged in terminal在终端中合并文件时修改行名以避免冗余
【发布时间】：2015-06-24 15:53:17
【问题描述】：

我有两个包含生物 DNA 序列数据的文件。这些文件中的每一个都是 python 脚本的输出，该脚本根据序列开头的 DNA 条形码将每个 DNA 序列分配给样本 ID。这些 .txt 文件之一的输出如下所示：

>S066_1 IGJRWKL02G0QZG orig_bc=ACACGTGTCGC new_bc=ACACGTGTCGC bc_diffs=0
TTAAGTTCAGCGGGTATCCCTACCTGATCCGAGGTCAACCGTGAGAAGTTGAGGTTATGGCAAGCATCCATAAGAACCCTATAGCGAGAATAATTACTACGCTTAGAGCCAGATGGCACCGCCACTGATTTTAGGGGCCGCTGAATAGCGAGCTCCAAGACCCCTTGCGGGATTGGTCAAAATAGACGCTCGAACAGGCATGCCCCTCGGAATACCAAGGGGCGCAATGTGCGTCCAAAGATTCGATGATTCACTGAATTCTGCAATTCACATTACTTATCGCATTTCGCAGCGTTCTTCATCGATGACGAGTCTAG
>S045_2 IGJRWKL02H5XHD orig_bc=ATCTGACGTCA new_bc=ATCTGACGTCA bc_diffs=0
CTAAGTTCAGCGGGTAGTCTTGTCTGATATCAGGTCCAATTGAGATACCACCGACAATCATTCGATCATCAACGATACAGAATTTCCCAAATAAATCTCTCTACGCAACTAAATGCAGCGTCTCCGTACATCGCGAAATACCCTACTAAACAACGATCCACAGCTCAAACCGACAACCTCCAGTACACCTCAAGGCACACAGGGGATAGG

第一行是序列 ID，第二行是 DNA 序列。 ID第一部分的S_066表示该序列来自样本066，_1表示它在文件中的第一个序列（不是S_066本身的第一个序列）。由于所使用的 DNA 测序技术的细微差别，我需要从原始测序文件生成两个这样的文件，结果是我有其中两个文件的输出，然后我使用cat 将它们合并在一起.到目前为止一切顺利。

我的工作流程中的下一个下游步骤不允许使用相同的样本名称。现在它完成了一半，出错并关闭，因为它遇到了一些相同的序列 ID。因此，这两个文件中的第 400 个序列必须属于同一个样本，或者其他东西，生成相同的样本 ID（即两个文件可能有 S066_400）。

我想做的是使用一些代码在第二个文件的每隔一行的_ 之后立即插入一个数字（1000、4971 等），从第一行开始。这样，ID 将不再被混淆，我可以继续。因此，它将涵盖S066_2 到S066_24971 或S066_49712。部分问题在于 ID 的长度可能是可变的，因此它可以以S066_ 或49BBT1_ 开头。

【问题讨论】：

作为旁注：你到底为什么要在 bash 中这样做？

标签： unix terminal bioinformatics

【解决方案1】：

试试：

awk '/^\>/ {$1=$1 "_13"} {print $0}' filename > tmp.tmp
mv tmp.tmp filename

【讨论】：

两件事 - 1. 这仅从第二个样本 ID 开始，然后继续。它不包括第一个样本 ID。 2. 这会在每个 ID 的末尾添加一个_13。所以，S066_02 现在读作S066_02_13。但是，我需要更类似于S066_0213 或S066_1302 的东西。对不起，如果我不够清楚，我已经在上面澄清了。
好的，所以我自己修改以解决第二部分。我只需要它从文件的第一行开始，而不是第三行。
这是正确的。我忘记将我的文本文件转换为纯文本，这导致了第一行问题。