☰

Padrão de impressão do caractere "C"

tag-icon • tag-icon command-line text-processing
Padrão de impressão do caractere "C"

Gostaria de imprimir o padrão de resíduo Cys de cada linha fornecida em file.tsv. file.tsv tem duas colunas como sequenceID e Sequence. da sequência da segunda coluna, o primeiro caractere "C" deve ser impresso como C; se o próximo resíduo imediato não for C, o código deverá imprimir C#. # deve ocorrer apenas uma vez para n número de ocorrência de vários aminoácidos.

Então, quando na coluna se "C" for seguido por outro caractere, eu gostaria de imprimir # depois de "C". portanto, se a coluna de sequência tiver o valor DCFRCGHCC, ela deverá ser impressa na terceira coluna C#C#CC.

Entrada de exemplo:

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

A saída deve ter três colunas: SequenceID, Sequence, Cys Pattern

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

Responder1

O primeiro script de uma linha/completo analisa e converte o formato de arquivo descrito na pergunta; o segundo script completo analisa e converte um formato de arquivo FASTA.

#1

Uma linha de golfe:

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

Script completo expandido:

#!/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

Explicação:

  • O arquivo de entrada é processado linha por linha;
  • Cada linha é dividida em duas strings, a parte antes do espaço e a parte depois do espaço;
  • Cada substring feita de um caractere "C" opcionalmente seguido por outro caractere (opcionalmente para capturar também um caractere "C" no final da string) na segunda string é avaliada, e se o caractere após o "C" for um " C", "C" é anexado ao final de uma sequência temporária personalizada; caso contrário, "C#" será anexado ao final da sequência temporária personalizada;
  • A primeira, a segunda e a string temporária personalizada são impressas, separadas por vírgulas, seguidas por uma nova linha;

Exemplo de saída:

% 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

Versão completa expandida:

#!/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

Explicação:

  • O arquivo de entrada é processado linha por linha;
  • Se a linha atual começar com um >caractere, um espaço será acrescentado à linha; se existir uma linha seguinte e não começar com um >caractere, o caractere de nova linha será removido da linha atual; a linha atual é impressa em um arquivo temporário;
  • O arquivo temporário é processado linha por linha;
  • Cada linha é dividida em duas strings, a parte antes do último espaço e a parte depois do último espaço;
  • Cada substring feita de um caractere "C" opcionalmente seguido por outro caractere (opcionalmente para capturar também um caractere "C" no final da string) na segunda string é avaliada, e se o caractere após o "C" for um " C", "C" é anexado ao final de uma sequência temporária personalizada; caso contrário, "C#" será anexado ao final da sequência temporária personalizada;
  • A primeira, a segunda e a string temporária personalizada são impressas, separadas por vírgulas, seguidas por uma nova linha;
  • O arquivo temporário é removido;

Exemplo de saída:

% 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#

Responder2

Aqui está uma awkversão que pode funcionar para você

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

Ele apenas duplica o segundo campo, remove qualquer sequência inicial não vazia de caracteres não-C na duplicata e substitui cada sequência restante de caracteres não-C por #.

informação relacionada