☰

copie várias linhas de um arquivo para outro

tag-icon • tag-icon grep text-processing
copie várias linhas de um arquivo para outro

Eu gostaria de usar o grep para copiar de um arquivo para outro todas as linhas que estão entre linhas /protein_id=até o final da sequência de proteínas mostrada. Por exemplo, a partir desta entrada:

 CDS             448..1269
                 /gene="nptII"
                 /note="neomycin phosphotransferase II"
                 /codon_start=1
                 /product="kanamycin resistance protein"
                 /protein_id="AAQ05967.1"
                 /db_xref="GI:33320494"
                 /translation="MAITLSATSLPISARIRAGSPAAWVERLFGYDWAQQTIGCSDAA
                 VFRLSAQGRPVLFVKTDLSGALNELQDEAARLSWLATTGVPCAAVLDVVTEAGRDWLL
                 LGEVPGQDLLSSHLAPAEKVSIMADAMRRLHTLDPATCPFDHQAKHRIERARTRMEAG
                 LVDQDDLDEEHQGLAPAELFARLKARMPDGEDLVVTHGDACLPNIMVENGRFSGFIDC
                 GRLGVADRYQDIALATRDIAEELGGEWADRFLVLYGIAAPDSQRIAFYRLLDEFF"
  regulatory      1443..2148

Eu gostaria desta saída:

                 /protein_id="AAQ05967.1"
                 /db_xref="GI:33320494"
                 /translation="MAITLSATSLPISARIRAGSPAAWVERLFGYDWAQQTIGCSDAA
                 VFRLSAQGRPVLFVKTDLSGALNELQDEAARLSWLATTGVPCAAVLDVVTEAGRDWLL
                 LGEVPGQDLLSSHLAPAEKVSIMADAMRRLHTLDPATCPFDHQAKHRIERARTRMEAG
                 LVDQDDLDEEHQGLAPAELFARLKARMPDGEDLVVTHGDACLPNIMVENGRFSGFIDC
                 GRLGVADRYQDIALATRDIAEELGGEWADRFLVLYGIAAPDSQRIAFYRLLDEFF"

Observe que a entrada pode variar, pois a linha que começa com regulatorypode ser substituída por outra coisa. O que não muda é que a sequência é dada em letras maiúsculas e termina com a ". É possível com grep?

Responder1

pcregrepé um utilitário grep que usa expressões regulares compatíveis com Perl 5. Os regexps no estilo Perl têm muitos recursos úteis que os POSIX padrão não possuem. É basicamente o mesmo que grep, mas com uma sintaxe regexp diferente.

sudo apt-get install pcregrep  
pcregrep -M .*'/protein_id=.*(\n|.)*\"' path/to/input-file

/protein_idé o termo de pesquisa inicial e "é o termo de pesquisa final.

Aqui está um exemplo generalizado de um comando para fazer uma pesquisa multilinha para todas as linhas que estão entre um termo de pesquisa inicial e um termo de pesquisa final:

pcregrep -M .*'START-SEARCH-TERM.*(\n|.)*END-SEARCH-TERM' path/to/SOURCE-FILE >> path/to/DESTINATION-FILE

onde:

  • SOURCE-FILE é o arquivo que contém seus dados
  • DESTINATION-FILE é o arquivo onde os resultados serão copiados
  • START-SEARCH-TERM é o termo de pesquisa inicial
  • END-SEARCH-TERM é o termo de pesquisa final
  • -M, --multilinePermita que os padrões correspondam a mais de uma linha.

Responder2

Não, grepnão é possível combinar várias linhas. Você poderia fazer isso pcregrepcomo mostrado por @karel, mas não puro grep. Em vez disso, como você sabe que as sequências de proteínas estarão sempre em MAIÚSCULAS e terminarão com ", você pode combinar isso:

  1. sed

    sed -n '/\/protein_id=/,/^\s*[[:upper:]]\+"\s*$/{p}' two_seq.txt

    O sedpadrão /foo/,/bar/{p}significa "imprimir todas as linhas entre fooe bar. -nSuprime a saída normal para que apenas as linhas solicitadas sejam impressas. Observe que /of /protein_id=precisa ser escapado ( \/) porque /faz parte do operador de correspondência. O segundo padrão é um pouco mais complexo, procura 0 ou mais espaços no início da linha ( ^\s*), depois uma ou mais letras maiúsculas seguidas de aspas duplas ( [[:upper:]]") e depois 0 ou mais caracteres de espaço em branco até o final da linha ( \s*$).

  2. Perl

    perl -ne 'print if m#/protein_id=# ... m#[A-Z]+"\s*$#' file.flat

    A mesma ideia aqui, o ...operador especifica um intervalo e as linhas entre os dois padrões são impressas.

  3. awk

    awk '/\/protein_id=/{a=1}; a==1{print} /^\s*[[:upper:]]+"\s*$/{a=0}' file.flat

    Aqui, estamos definindo a variável apara 1se a linha corresponder ao primeiro padrão e 0se corresponder ao último. Então, dizemos awkpara imprimir if ais 1. Como o printé chamado antes ade ser definido como 0para o segundo padrão, isso incluirá também a linha que contém o segundo padrão.

informação relacionada