我有一个由我创建的 ruby 脚本创建的 fasta 文件;然而,它有许多重复的序列,它们在不同的序列 ID 下,我想展平文件,这样我就可以从这个 ...
输入fasta文件中的数据(example.fa)
>isotig00009_f3.4.1
ITLKPCGVPFSCCIPDQASGVANTQCGYGVRSPEQQNTFHTKIYTTGCADMFTMWINRYLYYIAGIAGVIVLVELFGFCFAHSLINDIKRQKARWAHR
>isotig00037_f3.1.1
KLSLIVVNHSMVASKFERVILAYTSIIIEVSPAKRRRNGKILRKNTIRFRWQTFRILSAFTVVTFSKMMTQKI
>isotig00045_f1.15.3
YKINKRP
>isotig00046_f3.15.3
YKINKRP
>isotig00047_f3.15.3
YKINKRP
>isotig00048_f1.15.3
YKINKRP
>isotig00049_f1.15.3
YKINKRP
>isotig00050_f2.15.3
YKINKRP
>isotig00051_f1.15.3
YKINKRP
对此(在输出文件 - output.fa 中)...
>isotig00009_f3.4.1
ITLKPCGVPFSCCIPDQASGVANTQCGYGVRSPEQQNTFHTKIYTTGCADMFTMWINRYLYYIAGIAGVIVLVELFGFCFAHSLINDIKRQKARWAHR
>isotig00037_f3.1.1
KLSLIVVNHSMVASKFERVILAYTSIIIEVSPAKRRRNGKILRKNTIRFRWQTFRILSAFTVVTFSKMMTQKI
>isotig00045_f1.15.3 : isotig00046_f3.15.3 : isotig00047_f3.15.3 : isotig00048_f1.15.3 : isotig00049_f1.15.3 : isotig00050_f2.15.3 : isotig00051_f1.15.3
YKINKRP
我制作了一个小脚本,可以取出序列的一个副本,但尽管尝试了一段时间,但我似乎无法为每个序列添加任何序列 ID。我试过的一件事没有用(见下面的评论部分),就是尝试提取唯一序列,然后提取 sequence_IDs...
这是我正在使用的脚本:
#!/usr/bin/env ruby
filename = "./example.fa"
text = File.read(filename)
def seq_uniq(input, output)
parser = /^>.*\n(.*)/i
seq_id_parser = /^(>.*)\n(.*)/i
file = File.new("#{output}", "w")
input.scan(parser).uniq.each do |seq|
file.puts seq
# input.scan(seq_id_parser) do |seq_id, seq_actual|
# if seq_actual == seq
# file.puts seq_id
# end
# end
end
file.close
end
seq_uniq(text, "./output.fa")
如果有人能指出正确的方向,我将不胜感激。由于这需要嵌入到生成 html 网页的大型 ruby 脚本中,如果您只使用 ruby(或
编辑:
澄清一下,我想展平 fasta 文件以将所有 Seq.在一行中标识相同序列的 ID(以 : 分隔),然后在下一行包含该序列。
非常感谢
最佳答案
您可以读取 fasta 文件并创建一个“序列 => 具有相同序列的 id 列表”的散列。请注意,此解决方案假定输入文件每行只有一个 id,如果有多个,则需要改进解析器:
def uniq_sequences(input)
ids_by_sequence = {}
input.split(/\n/).each_slice(2) do |id, sequence|
id = id.gsub(/^>\s*/,'') # Remove the leading ">".
ids_by_sequence[sequence] = [] unless ids_by_sequence[sequence]
ids_by_sequence[sequence] << id # Store all ids with the same sequence.
end
# Return a string of aggregated ids per same sequence.
ids_by_sequence.map do |sequence, ids|
">#{ids.join(' : ')}\n#{sequence}"
end.join("\n")
end
puts uniq_sequences(File.read('./example.fa'))
在您的示例输入中,您应该得到以下输出:
>isotig00009_f3.4.1
ITLKPCGVPFSCCIPDQASGVANTQCGYGVRSPEQQNTFHTKIYTTGCADMFTMWINRYLYYIAGIAGVIVLVELFGFCFAHSLINDIKRQKARWAHR
>isotig00037_f3.1.1
KLSLIVVNHSMVASKFERVILAYTSIIIEVSPAKRRRNGKILRKNTIRFRWQTFRILSAFTVVTFSKMMTQKI
>isotig00045_f1.15.3 : isotig00046_f3.15.3 : isotig00047_f3.15.3 : isotig00048_f1.15.3 : isotig00049_f1.15.3 : isotig00050_f2.15.3 : isotig00051_f1.15.3
YKINKRP
关于ruby - 展平 fasta 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18450709/