☰

Grep для поиска шаблона в файле

tag-icon • tag-icon text-processing grep
Grep для поиска шаблона в файле

Я хочу использовать grepдля поиска шаблона из одного файла во втором. Мой файл шаблона что-то вроде:

K02217
K07448
KO8980

Файл для поиска:

>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

Команда, которую я попробовал, следующая:

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

Это выводит строки file.txt, где найден шаблон. Мне нужно, чтобы он также вывел столбец с найденным шаблоном. Так что-то вроде:

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

Кто-нибудь может подсказать, как мне поступить?

решение1

Если вас не смущает дополнительный столбец с числом, вы можете использовать joinи grepдля этого.

$ 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

решение2

Вы можете использовать цикл оболочки:

$ 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)

Я протестировал это, запустив это на плоском файле UniProt для человека (625M) и используя 1000 идентификаторов UniProt в качестве шаблонов. Это заняло ~6 минут на моем ноутбуке Pentium i7. Это заняло ~35 секунд, когда я искал только 100 шаблонов.

Как отмечено в комментариях ниже, вы можете сделать это немного быстрее, пропустив echoи используя параметры grep« --labelи » -H:

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

Выполнение этого на ваших файлах примеров даст:

$ 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

решение3

Вы можете использоватьакк:

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

Связанный контент