如何在unix / linux命令中搜索关键字并计算大小片段？ 限制酶消化

问题描述

例如，我有一个.fa这样的fasta文件，执行hindiII的限制性酶切

ataaaatactggcaaacagaatccagcagcacatcaaaaagcttatccac
AGTAATTCATTATATCAAAATGCTCCAggccaggcgtggtggcttatgcc
tgtaatcccagcactttgggaggtcgaagtgggcggatcacttgaggtca
aatgtagtaagattatctcagattttaaccgctgtattaaaaaagcttaa
tataatccatgaaaattggaggccaaactaagcttagatacaaacatcta
ggagttggagactagcctggccaacatgatgaaaccccgtctctaataat
aggaaaaggagaggaatgaggttggaaaatagtacacaggaagcttcaac

我正在找到包含大写字母和小写字母的序列aagctt，然后将字符串分隔为a和agctt

将每个碎片作为独立的单元进行处理，并计算其长度

fragment 1 from 1 to 39: length 39
ataaaatactggcaaacagaatccagcagcacatcaaaa

fragment 2 from 40 to 193: length 154
                                       agcttatccac
AGTAATTCATTATATCAAAATGCTCCAggccaggcgtggtggcttatgcc
tgtaatcccagcactttgggaggtcgaagtgggcggatcacttgaggtca
aatgtagtaagattatctcagattttaaccgctgtattaaaaa

fragment 3 from 194 to 230: length 37
                                           agcttaa
tataatccatgaaaattggaggccaaacta

fragment 4 from 231 to 341: length 111
                              agcttagatacaaacatcta
ggagttggagactagcctggccaacatgatgaaaccccgtctctaataat
aggaaaaggagaggaatgaggttggaaaatagtacacagga

fragment 5 from 342 to 350: length 9
                                         agcttcaac

我不一定需要unix / linux命令，只需要此问题的伪代码
我曾尝试使用sed -i 's/AAGCTT/A\'$'\nAGCTT/g'与a分隔agctt和wc -l来计算长度，但是我无法获得整个片段的长度。

解决方法

这里是可以使用的伪代码，假定整个文件都可以放入内存。它有2个步骤：

• 将所有行合并为一个大字符串
• 反复搜索模式，并返回偏移的片段
• 假设索引从pos（Perl样式）开始，在“ s”中搜索“ pattern”。

  # Read complete input into memory
S = ""
while read P ; do
   S = S + P

  # Search for occurences
PREV=0
N=0
while true
    NEXT=index(S,'aagcct',PREV+1)
    if ( NEXT < 0 ) break   # no more occurences
    N=N+1
    print "Fragement ",N," from ",PREV," to ",NEXT,": length",NEXT-PREV+1
    print substr(S,NEXT-PREV) 
    PREV=NEXT

原始问题表明，为了计算打印的偏移量，需要对图案进行分割。这部分还不清楚，在此解决方案中未作说明。