Скрипт для поиска самого длинного и самого короткого слова или строка в файле? [закрыто]

Question 1

Я занимаюсь геномикой. У меня файл с форматом FASTA читает. Это гены. Каждый ген называется считыванием или контигом. Каждый контиг начинается с заголовка и сопровождается алфавитами или нуслеотидами, например ACTG, определенной длины. Я хочу определить самый длинный контиг и самый короткий контиг, чтение или ген в этом файле. Подскажите пожалуйста сценарий ubuntu, чтобы найти такие контиги. Каждый контиг или чтение в этом формате FASTA выглядит следующим образом:

>Locus_1000_Transcript_1/1_Confidence_0.000_Length_648 FTBs=645 (Header)
CcGccttggtaacctCgccAGcatATtgagcTttGGatccGGaTggtcgtaGaAtgGCaaG
GcaGgagAgAgtgtctaatgtggCgccGctctgtAccCgGgGGgTAACaAtgAATTtGCga
CgaCGtggTAtGcCcttCGttgAaacccTtaTtagttGgAGCcGctAtgtggcgGTccaat
TaTcaagtAttTcCCACaTcttgAagCgcttcTgGATgTacgCatactatgggTtgacgtt
AGtGtAgCcgAgattTCacaGtAgctcCGAACGgtgGTagCAgacGcccGttCacAAaAaC

Заголовок имеет определенный формат, который показывает локусы генов и количество генов, и между каждым контигом или прочтением будет пробел. Каждое мое чтение или контиг в файле будет начинаться с заголовка того же типа, что и упомянутый выше, но значения могут отличаться. Каждый контиг или чтение начинается со знака>. Могут быть контиги одинаковой длины. - Наука 3 минуты назад

Question 2

Принятие Length значения в заголовках FASTA правильны, я извлек бы их оттуда:

sed -nre 's/^>.*_Length_([0-9]+) .*/\1/p' \

затем отсортируйте их численно

| sort -n \

затем произведите первую и последнюю строку

| sed -ne '1p;$p'

В одном операторе:

sed -nre 's/^>.*Length_([0-9]+) .*/\1/p' | sort -n | sed -ne '1p;$p'

Если длинам, объявленным в заголовках, нельзя доверять, то считать длину последовательностей FASTA, я сначала преобразовал бы их в unfasta, то распечатал бы длину строки каждой второй строки в то же sort | sed отфильтруйте как выше:

uf | awk 'NR%2==0 {print length}' | sort -n | sed -n '1p;$p'

Где uf простой сценарий удара, найденный здесь.

Примечание: обе остроты являются фильтрами, который является, они читают свой вход из стандартного входа и пишут в стандартный вывод. Использовать cat подавать их файлы (или wget -O - подавать их от Интернета).

Question 3

Question 4

Этот сценарий Python создает словарь записей и использует линейный поиск для нахождения, какой является самым коротким, какой является самым длинным в файле. Обратите внимание на то, что это игнорирует регистры, где существует два контига того же значения (хотя это может также быть реализовано.

Код:

#!/usr/bin/env python3

import sys
def main():
    records = {}
    current_length = 0
    current_contig = ''
    with open(sys.argv[1]) as f:
        for index,line in enumerate(f,1):
            if line == '\n': continue
            if line.startswith('>'):
               if current_contig != line:
                   records[current_contig] = current_length
                   current_contig = line.strip()
                   current_length = 0
            else:
               current_length = current_length + len(line.strip())
    records[current_contig] = current_length
    records.pop('')

    shortest_contig = None
    longest_contig = None 
    longest_val = 0
    shortest_val = float("inf")
    for contig,length in records.items(): 
        if length < shortest_val:
            shortest_val = length
            shortest_contig = contig
        if length > longest_val:
            longest_val = length
            longest_contig = contig
    print('Longest: ' + longest_contig)
    print('Shortest: ' + shortest_contig)


if __name__ == '__main__': main()

Тестовый прогон:

$ cat input.txt                                                                                                                  
> Entry 1
CcGccttggtaacctCgccAGcatATtgagcTttGGatccGGaTggtcgtaGaAtgGCaaG
GcaGgagAgAgtgtctaatgtggCgccGctctgtAccCgGgGGgTAACaAtgAATTtGCga
CgaCGtggTAtGcCcttCGttgAaacccTtaTtagttGgAGCcGctAtgtggcgGTccaat
TaTcaagtAttTcCCACaTcttgAagCgcttcTgGATgTacgCatactatgggTtgacgtt
AGtGtAgCcgAgattTCacaGtAgctcCGAACGgtgGTagCAgacGcccGttCacAAaAaC

> Entry 2
CcGccttggtaacctCgccAGcatATtgagcTttGGatccGGaTggtcgtaGaAtgGCaaG
GcaGgagAgAgtgtctaatgtggCgccGctctgtAccCgGgGGgTAACaAtgAATTtGCga
CgaCGtggTAtGcCcttCGttgAaacccTtaTtagttGgAGCcGctAtgtggcgGTccaat
TaTcaagtAttTcCCACaTcttgAagCgcttcTgGATgTacgCatactatgggTtgacgtt
AGtGtAgCcgAgattTCacaGtAgctcCGAACGgtgGTagCA
$ python3 contigs.py  input.txt                                                                                                   
Longest: > Entry 1
Shortest: > Entry 2

zwets · Answer 1 · 7 December 2019 в 12:37