como concatenar um arquivo com vários cabeçalhos em um

Question

Você pode me sugerir como posso combinar?

a.fasta com 10000 sequências com cabeçalhos 1, 2, 3, .... 10000 ....................... em apenas um cabeçalho, por exemplo

>1
AAATTTTGGGGCCC
>2
ACCCCGGGTTT
..........
>10000
ATGCCCCCCCCCC

Saída:

>1
AAATTTTGGGGCCCACCCCGGGTTTATGCCCCCCCCCC

    

Answer 1

awk '
    /^>/ { 
        # print the first header
        if (c++ == 0) {print; print ""} 
        next
    } 
    /^$/ {next} 
    {printf "%s", $0} 
    END {print ""}
' a.fasta > b.fasta

conteúdo do b.fasta

>1

AAATTTTGGGGCCCACCCCGGGTTT..........ATGCCCCCCCCCC

    

Answer 2

A maneira mais simples é simplesmente imprimir a primeira linha e depois todas as outras linhas do arquivo que não contiverem i) nenhum caractere de espaços (eles não precisam estar em arquivos fasta) e ii) uma linha de cabeçalho fasta ( > ):

head -n 1 file.fa > newfile.fa; grep -P '^[^> ]+$' >>  newfile.fa

O head imprime a 1ª linha e a expressão regular grep procura todas as linhas que contenham apenas caracteres não > e não espaciais ( [^> ] ) desde o início ( ^ ) até o final ( $ ) da linha.

No entanto, isso resultará em um arquivo como este:

>1
AAATTTTGGGGCCC
ACCCCGGGTTT
ATGCCCCCCCCCC

Para obter a sequência inteira na mesma linha, use isso:

head -n 1 file.fa > newfile.fa; grep -P '^[^> ]+$' | tr -d '\n'>>  newfile.fa; 

Você pode adicionar uma nova linha extra ao final do arquivo com

echo "" >> newfile.fa

No entanto, se você estiver trabalhando com esses arquivos, sugiro que salve esses dois scripts em um arquivo em seu $ PATH ( $HOME/bin , por exemplo) e torne-os executáveis ( chmod a+x $HOME/bin/scriptname ):

FastaToTbl

Este script pega um arquivo fasta e o muda para o formato tbl (o cabeçalho fasta, uma aba e depois a sequência, tudo em uma linha):

#! /bin/sh
gawk '{
        if (substr($1,1,1)==">")
        if (NR>1)
                    printf "\n%s\t", substr($0,2,length($0)-1)
        else 
            printf "%s\t", substr($0,2,length($0)-1)
        else 
                printf "%s", $0
}END{printf "\n"}'  "$@"

TblToFasta

Isso faz o inverso, pega um arquivo no formato tbl e o converte em um arquivo fasta correto ( > header e 60 caracteres por linha):

#! /bin/sh

gawk '{
  sequence=$NF

  ls = length(sequence)
  is = 1
  fld  = 1

# if (fld == 1){printf ">"}

  while (fld < NF)
  {
     if (fld == 1){printf ">"}
     printf "%s " , $fld

     if (fld == NF-1)
      {
        printf "\n"
      }
      fld = fld+1
  }

  while (is <= ls)
  {
    printf "%s\n", substr(sequence,is,60)
    is=is+60
  }
}' "$@"

Agora, se você tivesse esses scripts disponíveis, poderia ter feito o que pediu simplesmente executando:

$ head -n 1 file.fa; FastaToTbl file.fa | awk -F"\t" '{print $2}'
>1
AAATTTTGGGGCCC
ACCCCGGGTTT..........
ATGCCCCCCCCCC

Ou, para obter um arquivo fasta correto:

 $ head -n 1 file.fa > newfile; FastaToTbl file.fa | 
    awk -F"\t" '{printf "%s", $2}' | TblToFasta >> newfile   

Que produz:

>1
AAATTTTGGGGCCCACCCCGGGTTT..........ATGCCCCCCCCCC

    

Answer 3

{ echo '>1'; tr -dc '[:alpha:]'; } <infile >outfile

Você não precisa obter a primeira linha do arquivo - apenas echo a header. E se você excluir tudo, exceto os caracteres alfabéticos, você só conseguirá o que deseja automaticamente.