将多快捷键文件拆分为具有相同访问号的文件

Question

我有一个有数千个登录号的文件：

看起来像这样..。

>NC_033829.1 Kallithea virus isolate DrosEU46_Kharkiv_2014, complete genome
AGTCAGCAACGTCGATGTGGCGTACAATTTCTTGATTACATTTTTGTTCCTAACAAAATGTTGATATACT

>NC_020414.2 Escherichia phage UAB_Phi78, complete genome
TAGGCGTGTGTCAGGTCTCTCGGCCTCGGCCTCGCCGGGATGTCCCCATAGGGTGCCTGTGGGCGCTAGG

如果要将其拆分为多个文件，每个文件都有一个登录号，那么我可以使用以下代码

awk -F '|' '/^>/ {F=sprintf("%s.fasta",$2); print > F;next;} {print >> F;}' < yourfile.fa

我有一个具有数千个登录号(又名>NC_*)的文件，并希望将其拆分，因为每个文件都包含大约5000个登录号。由于我对awk/bash/python还是新手，所以我很难找到一个简洁的解决方案。

如有任何意见或评论，请见谅

Answer 1

从你的问题中还不清楚“登录号”是每个输入块中唯一的(不要假设阅读你的问题的人知道你的域名--对我们来说这只是一行文字)。如果你说你的问题只是说你想要每个输出文件5000个新行分隔块，而不是5000个加入号，那就更清楚了。

在看了你发布的答案之后，现在很清楚，这就是你应该使用的内容：

awk -v RS= -v ORS='\n\n' '
    (NR%5000) == 1 { close(out); out="myseq"(++n_seq)".fa" }
    { print > out }
' my_sequences.fa

Answer 2

假设:区段由空行分隔。

算法：

• 分段拆分文件
• 从分段摘录加入号
• 输出部分到以登录号命名的文件名。

Awk术语：“记录”将是我们的部分-文件的一部分，由空行分隔(即两个换行符一个接一个。“字段”通常用空格分隔--通过空格或>字符分隔，第二个字段将是登录号。

只需将记录分隔符设置为两个新行，将字段分隔符设置为>或space，然后将该行输出到以第二个字段命名的文件中：

awk -v RS='' -v FS='[> ]' '{f=($2 ".txt"); print >> f; close(f)}'

@编辑将>更改为>>，RS='\n\n'更改为RS=''

@编辑并添加close

Answer 3

最好使用Biopython的Bio.SeqIO来处理FASTA文件的读写。然后，您所需要的只是按需要对记录(SeqRecord对象)进行分组。我倾向于使用分组函数产生迭代器：

from itertools import chain, islice

from Bio import SeqIO


def grouper(n, iterable):
    it = iter(iterable)
    while True:
        chunk_it = islice(it, n)
        try:
            first = next(chunk_it)
        except StopIteration:
            return
        yield chain((first,), chunk_it)


for idx, group in enumerate(grouper(5000, SeqIO.parse('input.fa', 'fasta')), 1):
    SeqIO.write(group, f'out-{idx}.fa', 'fasta')