Grep / awk / sed para linhas compostas de apenas duas letras e linhas que começam com uma letra e atendem a um determinado comprimento

Question

Não tenho certeza de quantas pessoas estão familiarizadas com os dados de sequenciamento de DNA, mas se isso fizer parte do meu arquivo (as linhas que começam com ">" são IDs e as linhas que começam com uma letra são sequências de DNA):

>NB501013:9:HJJ75BGXX:4:13609:24076:18015/2
GGGGGGGAAAAAAA
>NB501013:9:HJJ75BGXX:4:21602:19346:16945/2
CTCGTCGCATCACAAAGGGAT
>NB501013:9:HJJ75BGXX:3:11407:17650:13229/2
CCGCGGGCCGGTGCGGGGGTTTTTTTGTTTTTTTGGTTACAACGGGTGGG
>NB501013:9:HJJ75BGXX:3:13509:1817:13239/2
CAGCCC
>NB501013:9:HJJ75BGXX:4:22611:20567:13384/2
GAATA

Eu gostaria de remover a linha: GGGGGGGAAAAAAA

Junto com sua ID de sequenciamento (sei que você pode fazer isso usando grep -B1 ). Mas alguém sabe como remover as linhas que são compostas apenas de duas letras?

Além disso, para sequências com menos de cinco letras, eu gostaria de removê-las juntamente com seus IDs, não posso simplesmente procurar linhas mais longas que um determinado comprimento, porque todas as IDs são muito longas, então preciso de alguma forma, use grep -v nas linhas que começam com uma letra (portanto, não inicia com ">") e é mais longo que um determinado tamanho.

Portanto, a saída da minha amostra seria:

>NB501013:9:HJJ75BGXX:4:21602:19346:16945/2
CTCGTCGCATCACAAAGGGAT
>NB501013:9:HJJ75BGXX:3:11407:17650:13229/2
CCGCGGGCCGGTGCGGGGGTTTTTTTGTTTTTTTGGTTACAACGGGTGGG
>NB501013:9:HJJ75BGXX:3:13509:1817:13239/2
CAGCCC

    

Answer 1

Conceder grep com P erl C ompatible RE gexp module uma tentativa:

• para remover combinações de duas letras:

  pcregrep -Mv '>.*\n([ACGT])*([ACGT])*(|)*$' file
  

  saída:

  >NB501013:9:HJJ75BGXX:4:21602:19346:16945/2
  CTCGTCGCATCACAAAGGGAT
  >NB501013:9:HJJ75BGXX:3:11407:17650:13229/2
  CCGCGGGCCGGTGCGGGGGTTTTTTTGTTTTTTTGGTTACAACGGGTGGG
  >NB501013:9:HJJ75BGXX:3:13509:1817:13239/2
  CAGCCC
  >NB501013:9:HJJ75BGXX:4:22611:20567:13384/2
  GAATA
  

• para remover a combinação de 5 letras ou menos:

   pcregrep -Mv '>.*\n[ACGT]{1,5}$' file
  

  saída:

  >NB501013:9:HJJ75BGXX:4:13609:24076:18015/2
  GGGGGGGAAAAAAA
  >NB501013:9:HJJ75BGXX:4:21602:19346:16945/2
  CTCGTCGCATCACAAAGGGAT
  >NB501013:9:HJJ75BGXX:3:11407:17650:13229/2
  CCGCGGGCCGGTGCGGGGGTTTTTTTGTTTTTTTGGTTACAACGGGTGGG
  >NB501013:9:HJJ75BGXX:3:13509:1817:13239/2
  CAGCCC
  

Answer 2

#!/usr/bin/env perl
#
# Usage: thisscriptname < someinputfile

use strict;
use warnings;

while (1) {
  exit if eof;
  # rash assumption there are always pairs of ID and sequence lines
  # NOTE these contain a newline, so many need chomp() depending
  # on what you do with them...
  my $id = readline;
  my $seq = readline;

  # calculate unique sequence letters via hash (is there also a U
  # or something? been a few decades since AP bio...)
  my %chars;
  $chars{$_}++ for $seq =~ m/[ATGC]/g;

  # business logic time!
  if (keys %chars > 2 and length $seq >= 5) {
    print $id;
    print $seq;
  }
}

    

Answer 3

Você pode considerar reverter o arquivo, testando a sequência de DNA e, se o teste for aprovado, ignore esta linha e a próxima linha :

tac file |
  awk '!/^>/ && (length($1) < 5 || $1 == "GGGGGGGAAAAAAA") {getline; next} 1' |
  tac