如何使用 grep 以序列中的特定字母 grep

Question

我有一个文件包含这种形式的信息：

>scaffold1|size69534
ACATAAGAGSTGATGATAGATAGATGCAGATGACAGATGANNGTGANNNNNNNNNNNNNTAGAT
>scaffold2|size68281
ATAGAGATGAGACAGATGACAGANNNNAGATAGATAGAGCAGATAGACANNNNAGATAGAG
>scaffold3|size67203
ATAGAGTAGAGAGAGAGTACAGATAGAGGAGAGAGATAGACNNNNNNACATYYYYYYYYYYYYYYYYY
>scaffold4|size66423
ACAGATAGCAGATAGACAGATNNNNNNNAGATAGTAGACSSSSSSSSSS

等等

但我想序列中有一些异常，所以我想要的是 grep 所有不是 A、C、T、G 或 N 的字母在脚手架之后的所有行中（我想在该序列不在 >scaffold-size 行中）。
在上面的示例中，它将在脚手架 3 和脚手架 4 中的 SSSSSSSSSSSSS 之后为 grep YYYYYYYYYYYYYYYYYY。
我希望我足够清楚，如果您需要任何澄清，请告诉我。

谢谢

Answer 1

考虑到您不想要空行，请尝试关注，然后尝试关注。

awk '!/^>/{gsub(/[ACTGN]/,"");if(NF){print}}'  Input_file

说明：在此处添加上述代码的详细说明。

awk '                    ##Starting awk program from here.
!/^>/{                   ##Checking condition if a line does not starts from > then do following.
  gsub(/[ACTGN]/,"")     ##Globally substituting A,C,T,G,N will NULL in lines here.
  if(NF){                ##Checking condition if current is NOT NULL after substitution then do following.
    print                ##Print the current line.
  }
}
'  Input_file            ##Mentioning Input_file name here.

Output 如下。

S
YYYYYYYYYYYYYYYYY
SSSSSSSSSS

Answer 2

假设您不仅需要知道哪些序列包含无效字符 - 您还想知道每个序列属于哪个脚手架。 这是可以做到的； 如何做到这一点取决于您需要的确切 output 格式，以及数据的确切结构。

为了说明，我将做以下简化假设：“序列”可能只包含大写字母（可能是有效的或无效的——但不能有标点符号或数字等）； 并且标签（以>开头的行）不包含任何大写字母。 注意 - 如果序列只包含字母，那么预处理文件以将序列转换为全大写并将标签转换为全小写并不难，因此下面的解决方案仍然有效。

在 GREP 的某些版本中，无效字符将以不同的颜色显示（参见链接图像）。 我觉得这很有帮助。

grep --no-group-separator -B 1 '[BDEFHIJKLMOPQRSUVWXYZ]' input_file

OUTPUT：

>scaffold1|size69534
ACATAAGAGSTGATGATAGATAGATGCAGATGACAGATGANNGTGANNNNNNNNNNNNNTAGAT
>scaffold3|size67203
ATAGAGTAGAGAGAGAGTACAGATAGAGGAGAGAGATAGACNNNNNNACATYYYYYYYYYYYYYYYYY
>scaffold4|size66423
ACAGATAGCAGATAGACAGATNNNNNNNAGATAGTAGACSSSSSSSSSS

Answer 3

使用grep -v删除脚手架线，并使用 grep -oP 到 select 不需要的字母段。

cat test.txt | grep -v '^>' | grep -oP '[^ACGTN]+'

output 来自样本数据

S
YYYYYYYYYYYYYYYYY
SSSSSSSSSS