☰

Reemplazo de los ID de secuencia del archivo fasta según los nuevos ID de una lista

tag-icon • tag-icon awk sed perl
Reemplazo de los ID de secuencia del archivo fasta según los nuevos ID de una lista

Tengo un archivo fasta y quiero reemplazar los ID de secuencia (líneas descriptivas) con ID nuevos y extendidos. Este es el formato del archivo fasta:

>3C-assembly|contig_74
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
>3C-assembly|contig_75
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
>3C-assembly|contig_76
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
...................

y quiero lograr una nueva fasta con el siguiente formato:

>Scaffold_001 [Sex=Female] [Unplaced scaffold]
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
>Scaffold_002 [Sex=Female] [Unplaced scaffold]
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
>Scaffold_003 [Sex=Female] [Unplaced scaffold]
TAATAAAAAATATTTTTTTAATTGACCCTAACCAAATCCTGAACCTAACCGTAACACTGA
....................

Significa que, por ejemplo, 3C-assembly|contig_74 debe reemplazarse por Scaffold_001 [Sexo=Mujer] [Andamio no colocado]. Para ello, creé un archivo de texto que incluye dos columnas (delimitadas por tabulaciones) que conectan estos dos IDS:

3C-assembly|contig_74   Scaffold_001 [Sex=Female] [Unplaced scaffold]
3C-assembly|contig_75   Scaffold_002 [Sex=Female] [Unplaced scaffold]
3C-assembly|contig_76   Scaffold_003 [Sex=Female] [Unplaced scaffold]
......................

¿Tiene alguna idea de cómo puedo usar este archivo de texto para reemplazar las identificaciones en mi archivo fasta? Gracias

Respuesta1

Usando awk:

awk -F'\t' '
  NR==FNR{ a[$1]=$2; next }
  /^>/{ 
    id=a[substr($0, 2)]
    if (id!=""){ print ">" id; next }
  }
  1
' textfile file.fasta

Primero, lea el archivo de texto que contiene la asignación y guarde el segundo campo en una matriz ausando el primer campo como índice. Saltar al nextregistro.

Luego lea el archivo fasta. Si el registro comienza con >, busque la nueva identificación de la matriz eliminando el primer carácter del registro actual ( substr($0, 2)) y usando este valor como índice de la matriz.
Si la identificación no está vacía, imprima >la identificación y salte al nextregistro.

Imprime 1el registro actual (las secuencias o identificadores que no coinciden).

Respuesta2

awk -F'\t' '
    NR==FNR { map[">"$1] = ">"$2; next }
    $0 in map { $0 = map[$0] }
    { print }
' mapfile fastafile

información relacionada