Как сравнить 2 файла и извлечь конкретную последовательность с помощью идентификатора в первом файле и распечатать помещенный

Вы могли записать сценарий, чтобы сделать это непосредственно, но я предлагаю, чтобы Вы использовали два небольших сценария ниже вместо этого. Я провел много лет, работая с этим видом данных, и они были очень, очень полезны. Если Вы планируете сделать большое управление файлом FASTA, я предлагаю, чтобы Вы использовали их.

1. FastaToTbl:

   #!/usr/bin/awk -f
   {
           if (substr($1,1,1)==">")
           if (NR>1)
                       printf "\n%s\t", substr($0,2,length($0)-1)
           else 
               printf "%s\t", substr($0,2,length($0)-1)
           else 
                   printf "%s", $0
   }END{printf "\n"}
   

2. TblToFasta:

   #! /usr/bin/awk -f
   {
     sequence=$NF
   
     ls = length(sequence)
     is = 1
     fld  = 1
     while (fld < NF)
     {
        if (fld == 1){printf ">"}
        printf "%s " , $fld
   
        if (fld == NF-1)
         {
           printf "\n"
         }
         fld = fld+1
     }
     while (is <= ls)
     {
       printf "%s\n", substr(sequence,is,60)
       is=is+60
     }
   }
   

Сохраните сценарии выше в Вашем $HOME/bin каталог (если это не существует, создайте его, затем выходят из системы и входят в добавить его к Вашему $PATH). Затем сделайте исполняемый файл сценариев с chmod a+x ~/bin/TblToFasta ~/bin/FastaToTbl.

FastaToTbl преобразует файлы последовательности FASTA в tbl формат (идентификатор последовательности, сопровождаемый символом табуляции и последовательностью, всеми в одной строке). После того как они находятся в tbl формате, и у Вас есть идентификатор и последовательность на той же строке, можно использовать grep искать Ваши идентификаторы. Затем Вы передаете вывод через TblToFasta toi преобразовывают назад в FASTA:

$ FastaToTbl file2 | grep -wFf file1 | TblToFasta
>AAX50250.1 cds:annotated chromosome:ASM1212v1:Chromosome:1:1770:1 gene:CTA_0001.1 gene_biotype:protein_coding transcript_biotype:protein_coding description:hypothetical protein 
ATGAGCATCAGGGGAGTAGGAGGCAACGGGAATAGTCGAATCCCTTCTCATAATGGGGAT
GGATCGAATCGCAGAAGTCAAAATACGAAGAATAAAGTTGAAGATCGAGTTCGTTCTCTA
TATTCATCTCGTAGTAACGAAAATAGAGAATCTCCTTATGCAGTAGTAGACGTCAGCTCT
>AAX50251.1 cds:annotated chromosome:ASM1212v1:Chromosome:1915:2187:-1 gene:CTA_0002.1 gene_biotype:protein_coding transcript_biotype:protein_coding description:hypothetical membrane associated protein 
ATGCTTTGTAAAGTTTGTAGAGGATTATCTTCTCTTATTGTTGTTCTCGGAGCTATAAAC
ACTGGAATTTTAGGAGTAACAGGGTATAAGGTAAACCTACTTACTCACCTGCTTGGTGAA
GGAACCATGTGGACACAAGCAGCTTATGTAGTAACGGGAATCGCTGGGGTTATGGTCTGC
>AAX50252.1 cds:annotated chromosome:ASM1212v1:Chromosome:2388:2690:1 gene:CTA_0003.1 gene_biotype:protein_coding transcript_biotype:protein_coding gene_symbol:gatC description:glutamyl-tRNA(Gln) amidotransferase subunit C 
ATGACAGAGTCATATGTAAACAAAGAAGAAATCATCTCTTTAGCAAAGAATGCTGCATTG
GAGTTGGAAGATGCCCACGTGGAAGAGTTCGTAACATCTATGAATGACGTCATTGCTTTA
ATGCAGGAAGTAATCGCGATAGATATTTCGGATATCATTCTTGAAGCTACAGTGCATCAT
TTCGTTGGTCCAGAGGATCTTAGAGAAGACATGGTGACTTCGGATTTTACTCAAGAAGAA
TAG

grep используемые опции:

   -F, --fixed-strings
          Interpret PATTERN as a list of fixed strings  (instead  of  regular
          expressions), separated by newlines, any of which is to be matched.

   -f FILE, --file=FILE
          Obtain  patterns  from  FILE, one per line.  If this option is used
          multiple times or is combined with the -e (--regexp) option, search
          for all patterns given.  The empty file contains zero patterns, and
          therefore matches nothing.
   -w, --word-regexp
          Select only those lines containing matches that form  whole  words.
          The  test  is  that  the  matching  substring must either be at the
          beginning of the  line,  or  preceded  by  a  non-word  constituent
          character.   Similarly, it must be either at the end of the line or
          followed by a  non-word  constituent  character.   Word-constituent
          characters are letters, digits, and the underscore.

Так, -f позволяет нам дать ему файл для чтения поиска [шаблоны от, -F говорит этому рассматривать скороговорки как строки и не регулярные выражения (иначе, если Ваши идентификаторы содержат . который они часто делают, который будет взят в качестве "соответствия любой символ"), и -w гарантирует, чтобы мы только соответствовали всему идентификатору, так, чтобы foo не будет соответствовать foobar.

С другой стороны, вот является быстрый и грязный жемчуг одним лайнером, чтобы сделать то, что Вы хотите:

perl -e 'open(F,"File1.txt");while(<F>){/(\S+)/; $k{$1}++}; while(<>){if(/>\s*(\S+?)(\.| )/){if($k{$1}){$k=1}else{$k=0}; } print if $k==1;}' File2.fa

Или, немного менее грязный:

perl -e 'open(F,"File1.txt");
         while(<F>){
            /(\S+)/; 
            $k{$1}++
         } 
         while(<>){
            if(/>\s*(\S+?)(\.| )/){
                if($k{$1}){$k=1}
                else{$k=0}
            } 
            print if $k==1
        }' File2.fa