文件排序
seq: 产生一系列的数字; man seq查看其具体使用。我们这使用seq产生下游分析所用到的输入文件。
# 产生从1到10的数，步长为1 $ seq 1 10 1 2 3 4 5 6 7 8 9 10 # 产生从1到10的数，步长为1，用空格分割 $ seq -s ‘ ‘ 1 10 1 2 3 4 5 6 7 8 9 10 # 产生从1到10的数，步长为2 # 如果有3个数，中间的数为步长，最后一个始终为最大值 $ seq -s ‘ ‘ 1 2 10 1 3 5 7 9 $ cat <(seq 0 3 17) <(seq 3 6 18) >test $ cat test 0 3 6 9 12 15 3 9 15
sort: 排序，默认按字符编码排序。如果想按数字大小排序，需添加-n参数。
# 可能不符合预期的排序，系统首先排0，然后排1, 3, 6, 9 $ sort test 0 12 15 15 3 3 6 9 9 # 按数字大小排序 $ sort -n test 0 3 3 6 9 9 12 15 15
sort -u: 去除重复的行，等同于sort | uniq
$ sort -nu test 0 3 6 9 12 15
sort file | uniq -d: 获得重复的行(d = duplication)
$ sort -n test | uniq -d 3 9 15
sort file | uniq -c: 获得每行重复的次数。
# 第一列为每行出现的次数，第二列为原始的行
$ sort -n test | uniq -c
1 0
2 3
1 6
2 9
1 12
2 15
# 换一个文件看的更清楚
$ cat <<END >test2
> a
> b
> c
> b
> a
> e
> d
> a
> END
# 第一列为每行出现的次数，第二列为原始的行
$ sort test2 | uniq -c
3 a
2 b
1 c
1 d
1 e
# 在执行uniq操作前，文件要先排序，不然结果很诡异
$ cat test2 | uniq -c
1 a
1 b
1 c
1 b
1 a
1 e
1 d
1 a
整理下uniq -c的结果，使得原始行在前，每行的计数在后。
awk是一个强大的文本处理工具，其处理数据模式为按行处理。每次读入一行，进行操作。OFS: 输出文件的列分隔符 (output file column separtor)；FS为输入文件的列分隔符 (默认为空白字符)。awk中的列从第1到n列，分别记录为$1, $2 … $n。BEGIN表示在文件读取前先设置基本参数；与之相对应的是END，只文件读取完成之后进行操作。不以BEGIN, END开头的{}就是文件读取、处理的部分。
# awk的操作就是镀金上一步的结果，去除多余的空白，然后调换2列
$ sort test2 | uniq -c | awk ‘BEGIN{OFS="\t";}{print $2, $1}‘
a 3
b 2
c 1
d 1
e 1
对两列文件，安照第二列进行排序, sort -k2,2n。
# 第二列按数值大小排序
$ sort test2 | uniq -c | awk ‘BEGIN{OFS="\t";}{print $2, $1}‘ | sort -k2, 2n
c 1
d 1
e 1
b 2
a 3
# 第二列按数值大小排序
# 第二列相同的再按第一列的字母顺序的逆序排序 (-r)
# 注意看前3行的顺序与上一步结果的差异
$ sort test2 | uniq -c | awk ‘BEGIN{OFS="\t";}{print $2,$1}‘ | sort -k2,2n -k1,1r
e 1
d 1
c 1
b 2
a 3
FASTA序列提取
生成单行序列FASTA文件，提取特定基因的序列，最简单的是使用grep命令。主要用途是匹配文件中的字符串，以此为基础，进行一系列的操作。如果会使用正则表达式，将会非常强大。正则表达式版本很多，几乎每种语言都有自己的规则。
# 生成单行序列FASTA文件
$ cat <<END >test.fasta
> >SOX2
> ACGAGGGACGCATCGGACGACTGCAGGACTGTC
> >POU5F1
> ACGAGGGACGCATCGGACGACTGCAGGACTGTC
> >NANOG
> CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT
> END
$ cat test.fasta
>SOX2
ACGAGGGACGCATCGGACGACTGCAGGACTGTC
>POU5F1
ACGAGGGACGCATCGGACGACTGCAGGACTGTC
>NANOG
CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT
# grep匹配含有SOX2的行
# -A 1 表示输出的行中，包含匹配行的下一行 (A: after)
$ grep -A 1 ‘SOX2‘ test.fasta
>SOX2
ACGAGGGACGCATCGGACGACTGCAGGACTGTC
# 先判断当前行是不是 > 开头，如果是，表示是序列名字行，替换掉大于号，取出名字。
# sub 替换, sub(被替换的部分，要替换成的，待替换字符串)
# 如果不以大于号开头，则为序列行，存储起来。
# seq[name]: 相当于建一个字典，name为key，序列为值。然后就可以使用name调取序列。
$ awk ‘BEGIN{OFS=FS="\t"}{if($0~/>/) {name=$0; sub(">", "", name);} else seq[name]=$0;}END{print ">SOX2"; print seq["SOX2"]}‘ test.fasta
>SOX2
ACGAGGGACGCATCGGACGACTGCAGGACTGTC
多行FASTA序列提取要麻烦些，一个办法就是转成单行序列，用上面的方式处理。
sed和tr都为最常用的字符替换工具。
$ cat <<END >test.fasta > >SOX2 > ACGAGGGACGCATCGGACGACTGCAGGACTGTC > ACGAGGGACGCATCGGACGACTGCAGGACTGTC > ACGAGGGACGCATCGGACGACTGCAGGAC > >POU5F1 > CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT > CGGAAGGTAGTCGTCAGTGCAGCGAGTCC > >NANOG > ACGAGGGACGCATCGGACGACTGCAGGACTGTC > ACGAGGGACGCATCGGACGACTGCAGG > ACGAGGGACGCATCGGACGACTGCAGGACTGTC > ACGAGGGACGCATCGGACGACTGCAGGACTGT > END # 给>号开头的行的行尾加个TAB键，以便隔开名字和序列 # TAB键不可见，直接看看不大 # \(\)表示记录匹配的内容，\1则表示()中记录的匹配的内容 # 后面我们专门讲sed $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT CGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGT #使用cat -A 可以显示文件中所有的符号 # ^I 表示tab键 # $表示行尾 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | cat -A >SOX2^I$ ACGAGGGACGCATCGGACGACTGCAGGACTGTC$ ACGAGGGACGCATCGGACGACTGCAGGACTGTC$ ACGAGGGACGCATCGGACGACTGCAGGAC$ >POU5F1^I$ CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT$ CGGAAGGTAGTCGTCAGTGCAGCGAGTCC$ >NANOG^I$ ACGAGGGACGCATCGGACGACTGCAGGACTGTC$ ACGAGGGACGCATCGGACGACTGCAGG$ ACGAGGGACGCATCGGACGACTGCAGGACTGTC$ ACGAGGGACGCATCGGACGACTGCAGGACTGT$ # 把所有的换行符替换为空格 # 主意第二个参数，引号内为空格 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | tr ‘\n‘ ‘ ‘ >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT CGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGT # 把最后一个空格替换为换行符 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | tr ‘\n‘ ‘ ‘ | sed -e ‘s/ $/\n/‘ >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT CGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGT # 把 ‘ >‘替换为换行符 注意被替换的是 空格+大于号 # 当连用多个替换命令时，使用-e 隔开 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | tr ‘\n‘ ‘ ‘ | sed -e ‘s/ $/\n/‘ -e ‘s/ >/\n>/g‘ >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGT CGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGG ACGAGGGACGCATCGGACGACTGCAGGACTGTC ACGAGGGACGCATCGGACGACTGCAGGACTGT # 把所有的空格替换掉 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | tr ‘\n‘ ‘ ‘ | sed -e ‘s/ $/\n/‘ -e ‘s/ >/\n>/g‘ -e ‘s/ //g‘ >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGTCGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACTGT # 把TAB键转换为换行符 $ sed ‘s/^\(>.*\)/\1\t/‘ test.fasta | tr ‘\n‘ ‘ ‘ | sed -e ‘s/ $/\n/‘ -e ‘s/ >/\n>/g‘ -e ‘s/ //g‘ -e ‘s/\t/\n/g‘ >SOX2 ACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGAC >POU5F1 CGGAAGGTAGTCGTCAGTGCAGCGAGTCCGTCGGAAGGTAGTCGTCAGTGCAGCGAGTCC >NANOG ACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACTGT
或者简单点，直接用前面的awk略微做下修改。
# 差别只在一点
# 对于单行fasta文件，只需要记录一行，seq[name]=$0
# 对于多好fasta文件，需要把每一行序列都加到前面的序列上，seq[name]=seq[name]$0
$ awk ‘BEGIN{OFS=FS="\t"}{if($0~/>/) {name=$0; sub(">", "", name);} else seq[name]=seq[name]$0;}END{print ">SOX2"; print seq["SOX2"]}‘ test.fasta
>SOX2
ACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGACTGTCACGAGGGACGCATCGGACGACTGCAGGAC
时间： 2024-10-16 06:52:02