シーケンス名を含む2番目のファイルを指定して、AWKを使用してfastaファイルを検索します

Question

私は2つのファイルを持っています。 1つはfastaファイルで、複数のfastaシーケンスが含まれていますが、別のファイルには検索したい候補シーケンスの名前が含まれています（下記のファイルの例）。

seq.fasta

>Clone_18 
GTTACGGGGGACACATTTTCCCTTCCAATGCTGCTTTCAGTGATAAATTGAGCATGATGGATGCTGATAATATCATTCCCGTGT 
>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 
>Clone_27-1 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTC 
>Clone_27-2 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTCGTTTTGTTCTAGATTAACTATCAGTTTGGTTCTGTTTGTCCTCGTACTGGGTTGTGTCAATGCACAACTT 
>Clone_34-1 
GTTACGGGGGAATAACAAAACTCACCAACTAACAACTAACTACTACTTCACTTTTCAACTACTTTACTACAATACTAAGAATGAAAACCATTCTCCTCATTATCTTTGCTCTCGCTCTTTTCACAAGAGCTCAAGTCCCTGGCTACCAAGCCATCG 
>Clone_34-3 
GTTACGGGGGAATAACAAAACTCACCAACTAACAACTAACTACTACTTCACTTTTCAACTACTTTACTACAATACTAAGAATGAAAACCATTCTCCTCATTATCTTTGCTCTCGCTCTTTTCACAAGAGCTCAAGTCCCTGGCTACCAAGCCATCGATATCGCTGAAGCCCAATC 
>Clone_44-1 
GTTACGGGGGAATCCGAATTCACAGATTCAATTACACCCTAAAATCTATCTTCTCTACTTTCCCTCTCTCCATTCTCTCTCACACACTGTCACACACATCC 
>Clone_44-3 
GTTACGGGGGAATCCGAATTCACAGATTCAATTACACCCTAAAATCTATCTTCTCTACTTTCCCTCTCTCCATTCTCTCTCACACACTGTCACACACATCCCGGCAGCGCAGCCGTCGTCTCTACCCTTCACCAGGAATAAGTTTATTTTTCTACTTAC 

name.txt

Clone_23 
Clone_27-1 

私はFASTAファイルを検索し、名前で保存された、指定された候補者のためのすべてのFASTA配列を得るためにAWKを使用したいです別のファイル。

awk 'NR==FNR{a[$1]=$1} BEGIN{RS="\n>"; FS="\n"} NR>FNR {if (match($1,">")) {sub(">","",$1)} for (p in a) {if ($1==p) print ">"$0}}' name.txt seq.fasta 

問題は、私はこれだけ

>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 

のように、name.txtで第一候補のシーケンスを抽出することができるということです誰もが上記の1行のawkコマンドを修正するために助けることができますか？

Answer 1

それは大丈夫ですかさえも、同様の名前を印刷したい場合、あなたは、単にgrepを使用することができます。リテラル文字列ではなく、通常のようname.txt

-F扱い、それらをより

grep -Ff name.txt -A1 a.fasta 

• -f name.txtピックパターン式
• A1は、一致する行に次の行を出力します。

名は出力で望まれていない場合、私は別のgrep単にパイプう：

above_command | grep -v '>' 

---

awkソリューションは次のようになります。

awk 'NR==FNR{n[$0];next} substr($0,2) in n && getline' name.txt a.fasta 

ベター複数行のバージョンで説明：

# True as long as we are reading the first file, name.txt 
NR==FNR { 
    # Store the names in the array 'n' 
    n[$0] 
    next 
} 

# I use substr() to remove the leading `>` and check if the remaining 
# string which is the name is a key of `n`. getline retrieves the next line 
# If it succeeds the condition becomes true and awk will print that line 
substr($0,2) in n && getline 

Answer 2

$ awk 'NR==FNR{n[">"$0];next} f{print f ORS $0;f=""} $0 in n{f=$0}' name.txt seq.fasta 
>Clone_23 
GTTACGGGGGGCCGAAAAACACCCAATCTCTCTCTCGCTGAAACCCTACCTGTAATTTGCCTCCGATAGCCTTCCCCGGTGA 
>Clone_27-1 
GTTACGGGGACCACACCCTCACACATACAAACACAAACACTTCAAGTGACTTAGTGTGTTTCAGCAAAACATGGCTTC