1

我正在尝试用 awk 编辑一个 fastq 文件。

@someheader example fastq file
TGTACTTAGAGAAGCGC
+
BDDADHHIHHHIICHIG
@nextheader
CCGTAACCTGGGCAGTG
+
DDDDDHIIIIIIIIIII

我想要实现的是：

  • 查找以下正则表达式： /AGATCGGAAG[ATGC]{0,24}$/ - 如果可能，仅在实际可能找到的行中（例如第 2、6、10 行，x+2%4=0 基本上）
  • 如果找到，删除匹配项
  • 然后在当前行之后的2行末尾删除相同数量的字符

到目前为止，根据正则表达式编辑一行对我来说没有问题，我使用：

awk '{ gsub(/AGATCGGAAG[ATGC]{0,24}$/, ""); print RLENGTH }'

但我不知道如何在 2 行后删除相同数量的字符。我非常缺乏经验，才开始学习 awk，所以欢迎任何帮助。

问候

编辑：这是一个包含上述模式的示例

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCGAGATCGGAAGAG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHCHDHHHFEEHHHH

这应该是输出：

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHC

该文件包含 4000 万个这样的条目，其中约 250k 包含模式

4

3 回答 3

1

这可能有效，但由于您的示例输入不包含任何与正则表达式匹配的行并且您没有提供任何预期的输出，因此它当然未经测试：

NR%4 == 2 { match($0,/AGATCGGAAG[ATGC]{0,24}$/) }
RSTART && (NR%4 ~ /^[02]$/) { $0 = substr($0,1,RSTART-1) }
{ print }
于 2015-06-02T13:52:36.443 回答
0

Perl 解决方案：

#! /usr/bin/perl
use warnings;
use strict;

my $length;
while (<>) {                            # Read line by line.
    if (2 == $. % 4) {
        $length = length $1 if s/(TAGAGA[ACTG]{0,7})$//;
    } elsif (0 == $. % 4 && $length) {  # We should shorten this line.
        s/.{$length}$//;
        undef $length;                  # Done.
    }
    print;
}
于 2015-06-02T13:57:30.610 回答
0

它有点长，但它应该工作：

awk '
    BEGIN {
        n=-1
        pat="AGATCGGAAG[ATGC]{0,24}$"
    }
    NR%4==2 && $0 ~ pat {
        match($0, pat);
        gsub(pat, "");
        n=NR+2;
    }
    NR==n {
        print substr($0,1,RSTART-1) substr($0,RSTART+RLENGTH)
        next
    }
    { print }

'
于 2015-06-02T14:05:03.787 回答