☰

Grep para pesquisar padrão em um arquivo

tag-icon • tag-icon text-processing grep
Grep para pesquisar padrão em um arquivo

Quero usar greppara pesquisar o padrão de um arquivo em um segundo. Meu arquivo de padrão é algo como:

K02217
K07448
KO8980

O arquivo para pesquisar é:

>aai:AARI_24510  proP; proline/betaine transporter; K03762 MFS transporter, MHS family, proline/betaine transporter
>aai:AARI_26600  ferritin-like protein; K02217 ferritin [EC:1.16.3.1]
>aai:AARI_28260  hypothetical protein
>aai:AARI_29060  ABC drug resistance transporter, inner membrane subunit; K09686 antibiotic transport system permease protein
>aai:AARI_29070  ABC drug resistance transporter, ATP-binding subunit (EC:3.6.3.-); K09687 antibiotic transport system ATP-binding protein
>aai:AARI_29650  hypothetical protein
>aai:AARI_32480  iron-siderophore ABC transporter ATP-binding subunit (EC:3.6.3.-); K02013 iron complex transport system ATP-binding protein [EC:3.6.3.34]
>aai:AARI_33320  mrr; restriction system protein Mrr; K07448 restriction system protein

O comando que tentei é:

fgrep --file=pattern.txt file.txt >> output.txt

Isso imprime as linhas do arquivo.txt onde o padrão é encontrado. Preciso que ele imprima também uma coluna com o padrão encontrado. Então, algo como:

K07448 mrr; restriction system protein Mrr; K07448 restriction system
K02217 ferritin-like protein; K02217 ferritin [EC:1.16.3.1]

Alguém pode me sugerir como fazer?

Responder1

Se você não se importa com uma coluna extra com um número, você pode usar joine greppara fazer isso.

$ join <(grep -of patterns.txt file.txt | nl) \
       <(grep -f patterns.txt file.txt | nl)
1 KO3322 proteinaseK (KO3322)
2 KO3435 Xxxxx KO3435;folding factor
3 KO3435 Yyyyy KO3435,xxxx

Responder2

Você pode usar um loop de shell:

$ while read pat; do 
    grep "$pat" file | 
        while read match do 
            echo -e "$pat\t$match"
        done
 done < patterns 
KO3435  Xxxxx KO3435;folding factor
KO3435  Yyyyy KO3435,xxxx
KO3322  proteinaseK (KO3322)

Eu testei executando isso no arquivo simples UniProt para humanos (625M) e usando 1000 IDs UniProt como padrões. Demorou cerca de 6 minutos no meu laptop Pentium i7. Demorou cerca de 35 segundos quando procurei apenas 100 padrões.

Conforme apontado nos comentários abaixo, você pode tornar isso um pouco mais rápido ignorando echoe usando grepas opções --labele -H:

$ while read pat; do 
    grep "$pat" --label="$pat" -H < file
done < patterns

Executar isso em seus arquivos de exemplo produz:

$ while read pat; do 
    grep "$pat" --label="$pat" -H < kegg.annotations; 
  done < allKO.IDs.txt > test1
terdon@oregano foo $ cat test1 
K02217:>aai:AARI_26600  ferritin-like protein; K02217 ferritin [EC:1.16.3.1]
K07448:>aai:AARI_33320  mrr; restriction system protein Mrr; K07448 restriction system protein

Responder3

Você pode usarack:

$ ack "$(tr '\n' '|' < pattern.txt | sed -e 's/.$//')" --print0 --output='$& $_' file.txt
KO3322 proteinaseK (KO3322)
KO3435 Xxxxx KO3435;folding factor
KO3435 Yyyyy KO3435,xxxx

informação relacionada