fasta（アライメント）ファイルの文字数をカウントする

Question

これは、シーケンスの先頭または最後にあることを考慮して、fasta（アライメント）ファイルでchar（n）の繰り返しを数える方法を見つけようとします。シーケンス内の文字を無視する。

例：

入力：

>chromosome1 
============ 
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn 
TGTGAAGATGCTGGAGGAAACAGGTAnnCAAAAGTATCTATATCCACAGTAAAACAAGTCCTATATTGACAT 
CCTGAAAGGCCTCTCAGCAAGGAAGAAGCCACTGCTCCAAAACCGCCAnnnTAAAAAAGCCAGACTACGGTT 
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn. 

出力

71 
74 

この時点で私は

awk '{print gsub (srch,srch)}' srch="n" 

とシーケンス全体にどのように多くの文字（n）をカウントすることができます

しかし、私はIDが必要ですea（コード）を使用して、大ブロックの前後の2つのグループを区別します。

Answer 1

は、あなたが次の012前>headerと最後の行の後の最初の行をしたい場合またはファイルの終わり、

awk '/^>/ { if (FNR>1) print n; n=0; p=1; next } 
{ n=gsub("n", "n") } 
p { print n; p=0 } 
END { print n }' file.fasta 

のようなものを試してみてください（私は============ラインが実際にあなたのデータの一部ではないと想定している。）

Answer 2

awkだけで、次のスクリプトを使用できます。それは最後にsrchとプリントのすべての配列の長見つかった最初と最後のシーケンスの長さをカウントします。

# count.awk 
BEGIN { 
    FS="" 
    n=0 
} 

NR > 2 { 
    for(i=1; i<=NF; i++) { 
     # Increment current group if current character equals srch 
     if($i == srch) { 
      grp[n]++ 
     } else { 
      # Next group 
      n++ 
      # Next character 
      i++ 
      # Iterate trough line until next sequence of srch 
      while($i != srch && i <= NF) { 
       i++ 
       # The next sequence starts 
       if ($i == srch) { 
        grp[n]++ 
        break 
       } 
      } 
     } 
    } 
} 
END { 
    print "Begin: ", grp[0] 
    print "End: ", grp[n-1] 
} 

はこのようにそれを呼び出す：

awk -v srch=n -f count.awk input.fasta 

Answer 3

私はこの質問はかなり曖昧見つけ、しかし、このawkスクリプトが役立つかもしれない：

/^n+\.$/ { print "after: " length($0) - 1; next; } 
/^n+$/ { print "before: " length($0) }