缩短FASTA头Perl

Question

我需要从这种格式转换FASTA头：

gi|351517969|ref|NW_003613580.1| Cricetulus未放置的基因组支架，CriGri_1.0 scaffold329，全基因组猎枪序列

对此：

NW_003613580.1 Cricetulus未放置的基因组支架，CriGri_1.0 scaffold329，全基因组猎枪序列

NW中的W可以是其他地址中的C，下划线之后的数字数也会有所不同。

我找到了一个perl脚本，可以将it更改为不同的格式，并试图对其进行修改。有关部分：

    while( $seq = $seq_in->next_seq() ) 
{
    my $seqName = $seq->id;
    $seqName =~ s/\|/\./g; #replace pipe with dot

        $seqName =~ s/(NW\_)/$1/;   

        #$seqName =~ s/(gi\.\w*)\..*/$1/; 

        $seq->id($seqName);
    $seq_out->write_seq($seq);
}

将注释去掉的seqname位作为原始位。我希望把gi改为NW会让它稍后在标题中开始阅读，但没有骰子。然而，将$1改为随机文本确实会使它在NW替换，所以我不太确定。此外，替换管道的周期似乎消失了，没有任何合理的理由(尽管我确实希望它们消失)。任何帮助，或至少一些关于搜索和替换是如何在这里工作的资源，将不胜感激。

Answer 1

将各组成部分分开：

my @fastaHeaderComponents = split("\\|", $seq->id);

然后进入它们：

my $accessionId = $fastaHeaderComponents[3];
my $description = $fastaHeaderComponents[4];

并重新生成标题：

my $newFastaHeader = ">$accessionId $description";
$seq->id($newFastaHeader);

Answer 2

使用sed单线线：

sed -r 's/^([^|]+\|){3}//;s/\|//' file

NW_003613580.1 Cricetulus未放置的基因组支架，CriGri_1.0 scaffold329，全基因组猎枪序列

使用sed解决方案的好处是，您可以指定对哪一行进行替换，例如第一行只使用1s，并使用-i选项将替换存储回文件：

sed -ri '1s/^([^|]+\|){3}//;1s/\|//' file

雷加解释：

s/     # Substitution, 1s/ first line only, 2s/ second line..
^      # Match the start of the line
(      # Group pattern
[^|]+  # Match one or more character that isn't a |
\|     # Match the | (escaped)
)      # End grouped pattern
{3}    # Repeat grouped pattern 3 times
/      # Replace with 
/      # Nothing
;
s/     # Substitute, 1s/ first line only..
\|     # The remaining |
/      # Replace with
/      # Nothing 

Answer 3

也许以下几点将有帮助：

use strict;
use warnings;
use Bio::SeqIO;

my $seq_in  = Bio::SeqIO->new( -file => 'input.fas',   '-format' => 'Fasta' );
my $seq_out = Bio::SeqIO->new( -file => '>output.fas', '-format' => 'Fasta' );

while ( my $seq = $seq_in->next_seq ) {
    my $shortened_seq = Bio::Seq->new(
        -desc       => $seq->desc,
        -display_id => ( split /\|/, $seq->id )[-1]
    );

    $seq_out->write_seq($shortened_seq);
}

给定一个FASTA头，如下所示作为输入：

>gi|351517969|ref|NW_003613580.1| Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence

它产生以下输出：

>NW_003613580.1 Cricetulus griseus unplaced genomic scaffold, CriGri_1.0 scaffold329, whole genome shotgun sequence