差分

このページの2つのバージョン間の差分を表示します。

--- フォーマットが崩れたfastaファイルを整形 [2018/05/08 01:30] – 133.11.222.89
+++ フォーマットが崩れたfastaファイルを整形 [Unknown date] (現在) – 削除 - 外部編集 (Unknown date) 127.0.0.1
@@ 行 1: / 行 1: @@
-====== フォーマットが崩れたfastaの整形 ======
-落としてきた遺伝子のfastaファイルがこんな形式だった。
-<code>
->CI01000000_00034855_00045035 6 exon (s) 34855 - 45035 2310 bp, chain - CDS..POLYA_34265..34855_36662..37935_37991..38432_38605..38722_38866..38944_39020..44987_45035..TSS_45416       ATGTCGAACAGGAGCAGAGAAAACAACGCAAGCACTATAATCTTTCAAGGGGAAATCCCAGA...  MSNRSRENNASTIIFQGEIPEELSIDDLKQKAKNGDAKAQTEIGRYYLRLAEQEDEEVNSVTAVTWLLQAAKNGRKDAVKLLQRCLHDRRGI...      rnaseq_fgenesh_DREhomolog       [lineend]
->CI01000000_00108218_00111090 2 exon (s) 108218 - 111090 1164 bp, chain +       CDS..TSS_107962..108218_108820..110530_111090..POLYA_111210     ATGGCTGCAGGTGGGACAGGTGTGGTCCAAGCTCTTTTACTATACACTCTGTTTGTTGTTTTTTT...    MAAGGTGVVQALLLYTLFVVFLPSKVDLDLKYAGNRQQLFFYEKKYFSSMGLLYKQTNNDPKPSIGYGKHLLVMTFIYPSLYKQIRKKNKTT...    fgenesh_DREhomolog      [lineend]
-</code>
-どうやら
-<code>
->遺伝子名・情報 \t CDSのID \t 塩基配列 \t アミノ酸配列 \t ホモログ情報？ \t 行末マーカー
-</code>
-という形式らしい。塩基配列のfastaが欲しいので、とりあえずタブで改行したあと>で始まる行とATGCNで構成される行を取り出し、いらない行をトリミングする。
-<code bash>
-cat carp_cdna.fa | sed -e 's/\t/\n/g' | awk '/^>|[ATGCN]+$/ {print}'| grep -E "^>|^[ATGCN]+$"
-</code>
-結果↓
-<code>
->CI01000000_00034855_00045035 6 exon (s) 34855 - 45035 2310 bp, chain -
-ATGTCGAACAGGAGCAGAGAAAACAACGCAAGCACTATAATCTTTCAAGGGGAAATCCCAGAGGAGCTAAGCATTGATGATCTTAAACAGAAGGCAAAGAATGGGGATGCCAAAGCACAGACAGAGATTGGTAGATATTACCTGAGATTAGCCGAGCAAGAAGACGAAGAAGTAAATTCTGTCACCGCGGTAACATGGCTACTCCAGGCGGCGAAAAATGGACGGAAAGATGCAGTGAAACTGCTACAGCGCTGCCTGCATGACAGGAGGGGCATCACAGCTGAGAACAGAGAGGAGGTGTGTTCCCTGGCATGTGAATCTCGTTTTCAGCGCAGTGTAAGGAAAGCAGCTCTGCTCATGTACTGGAAACTCAATCCAGAGAGGAAGAAAAACATCACTGCCTCTGAACTTCTGGAAAATGTCAGCCAGCTCAACACTGAGACAGGGGCTGGATATGTAGGTGTAGAAGAGTTTGTTGAGAATACTAAACAATACGCTGAGGTGTTGGAGGTGAAAGAGGTGTTGATTGACTGGGCATCCCGTGCGGGCATGCAGTGGATTAGCGCCCTCATACCTACTCATCACATCAATACCCTCATCTTCTTCTTCATCATCTCCAACCTAACCCTAGAGTTCTTTGTCCTTGTCATTCCTCTTATTATATTCTACCTATCTTTTGTGTCAATGGTAATCTGTACTCTCCGAGTCTTTCAGAACAGCAAGGCATGGGAGAACTTTCGAGCGTTGACGGCCATGTTGTCTCATTTTGAGCCAGGCATAGACCTTGAGCAGGCAGAGTCAAACTTCACATGGAACCACCTTGAGCCATACCTCTACTTCCTCCTTTCTTCACTTTTCCTCATCCTTTCGTTTCCCGTCGCAGACAAGTCCTGGTTGCCATGTTCGGAACTGGCTACGGTTGCAGTCTTCTTCACTGTAAGCGGCTACTTAAGCCTGCGACCAGCAGCGCAGCAGCATTCCAAACTTGCTCTGCTCTCCCAGGTTGCCTCCGCCATTTCTGCGTTAATGAATCAGTTGCTGGGAGGCTGGGTGGGTCGAATAGTTGGTGGCGCTTGGTTCAACATGCACCTTGGCGACTGGTTGGTACTGCATGTGGGTGTGCCTTGTTTTCTGTATTTTTACCTCCTGTATTTGTGTACCCGAATGGCCACAGCAGGTGGTGCACGTGGCACCTACTGTGTGCTGCTGCCCTACCTGGTGTGCTTCATCTGGTGTGAACTGTCTGTCACGCTGTTGCAAGAGTCTACTGCATTGGGGCTAATGCGCACAGCTGTGGGCTACCTCCTTTTCTTCTTTGCTTTGCCGGTACTATCGCTGGCTCTAGCAGCCATAATGCTGGTGCAGCTGGTGCAATGGTTCCTCGCCCTGGAACTGACCAAAATGGTTGTAACAGTGTGTGTTTTTGTGCTGCCTGTCTTGTTGCACTGGTGGACACGTTTTAGTGTGTCGCCTTTGGCAGTTCTGCACTTTTTGCGGCGTAGCAGCGTGGTCAAGTTGATCCTTGTGTGGATTTCAGCTCTGGTGCTCTTCAGCTGGTTCTATGTGTACCGTTCTGAGGGGATGAAGGTATACAACTCCACCTTGACTTGGCAGGAGTACAGCGACCTGTGTGGCCCTCGTGCTTGGAAGGAGCATAACATGGCACACGCCCAGATCCTCTGCAGCCACTTGGAGGGACACCGGGTGACATGGGAGGGTCGGTTTAAGTACGTTCGCGTCACTGAGATCGAGAATGGAGCGCAAGCTGTCATCAACCTTCTGCCGGTTTTTATAGCAGACTGGGCCCGATGTCTATACGGTGAGGAGTACCCTGCCTGTGATGAGACCCAGCCGGGACCCGCTGAACCGCTGTGTCAGCTCAAGGCGCTTGCAAAGCATAAGTGCCATGTCAAACGTTTTGACCACTACAAGTTTGAAGTGACCATGGGGATGCCGCAGAAGGGGCGCAATGGGGCACAAGATTTTGATGATGCCACCAAAGACATTGTACTTCGGGCTAGTAGTGAATTCAGACACGTCCTATTGGCACTCAGCTCAGGCAGTATGGTGGAGTTTAGCACGGTACTTGAAGGTAGACTGGGCAGCAAATGGCCAGTGTTTGAACTCAAGGCCTTGCACTGCAAGACATGTGCCTCACCACTTGTACCAATACGACGACAGGTCAAGATTGAGCAGGACTGGAGGGTTAAAGCCCGAAATGCCTTTGCTTTTGCTTTCAATTTCCTGTTCCACCCTCTGCTTTCGGCTGAGGTAGACATTACAGTAGCTACTACAGAAGTATCTGTGTGA
->CI01000000_00108218_00111090 2 exon (s) 108218 - 111090 1164 bp, chain +
-ATGGCTGCAGGTGGGACAGGTGTGGTCCAAGCTCTTTTACTATACACTCTGTTTGTTGTTTTTTTACCATCTAAAGTTGATTTAGACCTCAAATATGCTGGCAACAGGCAACAACTTTTCTTCTATGAAAAAAAGTATTTCAGCAGTATGGGTCTACTTTATAAACAAACAAACAATGACCCTAAGCCAAGTATTGGCTATGGGAAACACCTTCTGGTTATGACGTTCATTTATCCTTCTTTATACAAACAAATACGGAAAAAAAACAAGACAACTTCACACCTACATTGGACTAATGCACTGATCATTACAATCTGTTTGATATTGTCTGGAGACATACATCCATGCCCAGGACAGCACCGCGTTACACCGGAGGAGAGGCCTGTGGAAGAGCGCGCTACTACATTCCTTCAGGTATGCCCATTGTATGATGCATTACAGTGTAGTCCTGTACATTCTAACCTTTCCTGTCCGTCGTCTTCGCTTGGAGCTGCCGTGGATGGGACATTGGGAGGCCGTGCTGGTGCTGTGGCAGAGGTGGTGGATCGGCGTGCACGGCGTGCACGGGATTCTCGTGCTGGTGTTGGCGTTGGTGGAGTGCCTAACATATACGCTCCTCCAATAGACACAAGTCAATCAGTTTTCTGTTTAATAAGCATCACAGAATCAGAGGCATCACAGACCATTAAATCACTTAGACCATCTAGTTGTAAAGATATTTTTGGTATGGATACAGTGATGCTCAAGGAGCTTAATACAACAGTCACACACCCCATTACCAAAATTATCAATTTGTCCATTTTACAAAATATGTTCCCAAGCGTGTGGAAATCAGCTGTTATTGTTCCCATTTTCAAAAGTGGAGACCCTCATTCCGTGTCAAACTACAGACCCATCAGTATATTACCCACTGTGTCTAAGATTGCAGAGAAACTGATAGTAAAACAAATTATTAACCATCTAAATACCACACCCTATGCTCTCCACTCTATGCAGTTTGGCTTTAGAGCCAATTATTCCACCGAAACTGCTACTTGCTTTTTTACTGAAAACATCAGAGCTTTGTTGGATCGAGGTGGGGTTGTTGGAGCTGTGTTTCTGGATCTCAAGAAGGCTTTTGACACTGTCAATCATAAAGTCTTGCTGAAAATTATGCAGTTTTAA
-</code>