☰

Patrón de impresión del carácter "C"

tag-icon • tag-icon command-line text-processing
Patrón de impresión del carácter "C"

Me gustaría imprimir el patrón de residuos de Cys de cada línea que figura en file.tsv. file.tsv tiene dos columnas como ID de secuencia y Secuencia. de la secuencia de la segunda columna, el primer carácter "C" debe imprimirse como C, si el siguiente residuo inmediato no es C, entonces el código debe imprimir C#. # debe ocurrir solo una vez para n número de ocurrencias de varios aminoácidos.

Entonces, cuando en la columna, si "C" va seguida de otro carácter, me gustaría imprimir # después de "C". entonces, si la columna de secuencia tiene el valor DCFRCGHCC, entonces debería imprimirse en la tercera columna C#C#CC.

Entrada de ejemplo:

c32_g1_i1_ 3GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS
c32_g1_i1_ 6AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX

El resultado debe ser de tres columnas: ID de secuencia, Secuencia, Patrón Cys.

c32_g1_i1_3,GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS,C#C#C#C#C
c32_g1_i1_6,AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX,C#C#CC#C

Respuesta1

El primer script de una sola línea/completo analiza y convierte el formato de archivo descrito en la pregunta; el segundo script completo analiza y convierte un formato de archivo FASTA.

#1

Una sola línea jugada al golf:

perl -lane 'my $s;my @m=$F[1]=~/C.?/g;foreach(@m){$_ eq"CC"?$s.="C":$s.="C#"}push(@F,$s);print(join(",",@F))' infile

Guión completo ampliado:

#!/usr/bin/perl

use strict;
use warnings;

@ARGV == 1 || die("Usage: <command> <input_file>\n");

open(my $in, $ARGV[0]) || die("Could not open input file \"$ARGV[0]\": $!\n");

while(<$in>) {
    my $string;
    my @fields = split(" ");
    my @matches = $fields[1] =~ /C.?/g;
    foreach(@matches) {
        $_ eq "CC" ? $string .= "C" : $string .= "C#"
    }
    push(@fields, $string);
    print(join(",", @fields) . "\n")
}

close($in);

exit

Explicación:

  • El archivo de entrada se procesa línea por línea;
  • Cada línea se divide en dos cadenas, la parte antes del espacio y la parte después del espacio;
  • Cada subcadena formada por un carácter "C" seguido opcionalmente de otro carácter (opcionalmente para capturar también un carácter "C" al final de la cadena) en la segunda cadena se evalúa y si el carácter que sigue a la "C" es un " C", "C" se añade al final de una cadena temporal personalizada; de lo contrario, se agrega "C#" al final de la cadena temporal personalizada;
  • La primera, la segunda y la cadena temporal personalizada se imprimen, separadas por comas, seguidas de una nueva línea;

Salida de muestra:

% cat infile
c32_g1_i1_3 GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS
c32_g1_i1_6 AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX
% perl -ne 'my $s;my @f=split(" ");my @m=$f[1]=~/C.?/g;foreach(@m){$_ eq"CC"?$s.="C":$s.="C#"}push(@f,$s);print(join(",",@f)."\n")' infile
c32_g1_i1_3,GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS,C#C#C#C#C#
c32_g1_i1_6,AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX,C#C#CC#C#

#2

Versión completa ampliada:

#!/usr/bin/perl

use strict;
use warnings;

@ARGV == 1 || die("Usage: <command> <input_file>\n");

open(my $in, $ARGV[0]) || die("Could not open input file \"$ARGV[0]\": $!\n");
open(my $tmp, "+>", "tmpfile") || die("Could not create temporary file \"tmpfile\": $!\n");

select($tmp);

while(<$in>) {
    if(/^>/) {
        s/$/ /
    }
    if(my $next = <$in>) {
        if($next !~ /^>/) {
            chomp
        }
        print;
        seek($in, -length($next), 1)
    }
    else {
        print
    }
}

close($in);

seek($tmp, 0, 0);

select(STDOUT);

while(<$tmp>) {
    my $string;
    my @fields = split(/ (?!.* )|\n/);
    my @matches = $fields[1] =~ /C.?/g;
    foreach(@matches) {
        $_ eq "CC" ? $string .= "C" : $string .= "C#"
    }
    push(@fields, $string);
    print(join(",", @fields) . "\n")
}

close($tmp);

unlink("tmpfile");

exit

Explicación:

  • El archivo de entrada se procesa línea por línea;
  • Si la línea actual comienza con un >carácter, se agrega un espacio a la línea; si existe una línea siguiente y no comienza con un >carácter, el carácter de nueva línea se elimina de la línea actual; la línea actual se imprime en un archivo temporal;
  • El archivo temporal se procesa línea por línea;
  • Cada línea se divide en dos cadenas, la parte anterior al último espacio y la parte posterior al último espacio;
  • Cada subcadena formada por un carácter "C" seguido opcionalmente de otro carácter (opcionalmente para capturar también un carácter "C" al final de la cadena) en la segunda cadena se evalúa y si el carácter que sigue a la "C" es un " C", "C" se añade al final de una cadena temporal personalizada; de lo contrario, se agrega "C#" al final de la cadena temporal personalizada;
  • La primera, la segunda y la cadena temporal personalizada se imprimen, separadas por comas, seguidas de una nueva línea;
  • Se elimina el archivo temporal;

Salida de muestra:

% cat infile 
>c32_g1_i1_
3GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS
3GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS
>c32_g1_i1_
6AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX
6AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX
% perl script.pl infile 
>c32_g1_i1_,3GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS3GQKAKLKVPVFFLHRRGSICSSFYLMFSFEIKKK*TSKN*CFVCVRVRNRERAGVKCAHVYCPMFNGTQTH*IIISSLNS,C#C#C#C#C#C#C#C#C#C#
>c32_g1_i1_,6AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX6AV*TADDDLVRLCSIEHGTIHMCTLYTCCTLTVTHTYTHKTLIFACLFFFNFKGEHQIERAANRTSSM*KKHRNF*LGLLAX,C#C#CC#C#C#C#CC#C#

Respuesta2

Aquí tienes una awkversión que podría funcionar para ti.

awk '{OFS=","; $3=$2; sub(/[^C]+/,"",$3); gsub(/[^C]+/,"#",$3); print}' file

Simplemente duplica el segundo campo, luego elimina cualquier secuencia inicial no vacía de caracteres que no sean C en el duplicado, luego reemplaza cada secuencia restante de caracteres que no son C con #.

información relacionada