Substitua nomes de linha por um conjunto de novos nomes sem perturbar o resto do arquivo

Question

Eu tenho um grande arquivo de seqüências de proteínas, onde cada nome de seqüência é identificado usando > e a seqüência correspondente nas seguintes linhas.

Exemplo (ignore aspas):

>YAL003W EFB1 SGDID:S000000003, Chr I from 142174-142253,142620-143160, Genome Release 64-1-1, Verified ORF, "Translation elongation factor 1 beta; stimulates nucleotide exchange to regenerate EF-1 alpha-GTP for the next elongation cycle; part of the EF-1 complex, which facilitates binding of aminoacyl-tRNA to the ribosomal A site"
MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
LDDLQQSIEEDEDHVQSTDIAAMQKL*

Desejo remover a maioria do texto do nome para ficar assim (ignore aspas):

>YAL003W EFB1
MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
FDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
LDDLQQSIEEDEDHVQSTDIAAMQKL*

Os nomes só contam como uma linha enquanto as sequências contam como múltiplas, daí o meu problema. Como posso resolver isso?

    

Answer 1

solução awk

$ awk '/>/ { print $1, $2; next } { print }' aa
>YAL003W EFB1
MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
LDDLQQSIEEDEDHVQSTDIAAMQKL*

• / > / pesquisa por um > em uma linha
• próximo; não leia mais nenhum padrão no arquivo awk

Answer 2

Aqui estão algumas soluções:

1. grep . O padrão procura linhas que começam com > seguido por 2 sequências de não espaços ( [^ ]+ [^ ]+ ) ou quaisquer caracteres ( .+ ). O -o causa grep para imprimir apenas a parte correspondente de cada linha:

   $ grep -oP '^(>[^ ]+ [^ ]+|.+)' file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
   LDDLQQSIEEDEDHVQSTDIAAMQKL*
   

2. awk

   $ awk '{if(/>/){print $1,$2}else{print}}' file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
   LDDLQQSIEEDEDHVQSTDIAAMQKL*
   

3. GNU sed

   $ sed -r 's/(>[^ ]+ [^ ]+).*//' file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
   LDDLQQSIEEDEDHVQSTDIAAMQKL*
   

4. Qualquer sed

   $ sed 's/\(>[^ ]* [^ ]*\).*//' file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
   LDDLQQSIEEDEDHVQSTDIAAMQKL*
   

5. cut

   $ cut -d ' ' -f 1,2 file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS
   LDDLQQSIEEDEDHVQSTDIAAMQKL*
   

6. Perl.

   $ perl -lane 'print "@F[0..1]"' file.fa 
   >YAL003W EFB1
   MASTDFSKIETLKQLNASLADKSYIEGTAVSQADVTVFKAFQSAYPEFSRWFNHIASKAD 
   EFDSFPAASAAAAEEEEDDDVDLFGSDDEEADAEAEKLKAERIAAYNAKKAAKPAKPAAK 
   SIVTLDVKPWDDETNLEEMVANVKAIEMEGLTWGAHQFIPIGFGIKKLQINCVVEDDKVS 
   LDDLQQSIEEDEDHVQSTDIAAMQKL* 
   

   As opções são

   • l : remova as novas linhas à direita de cada linha de entrada e adicione uma nova linha a cada chamada impressa.
   • a : divide cada linha de entrada no espaço em branco na matriz @F .
   • n : leia o arquivo de entrada linha a linha.
   • e : execute este script em cada linha.

   O script em si simplesmente imprime os 1º e 2º campos. No caso das linhas de seqüência, apenas será impresso o único campo disponível, o primeiro. qual é a linha inteira.