根据序列ID提取fasta序列

根据序列ID快速抽提fasta序列

在进行完序列比对以及，在微生物多样性分析中经常要根据物种信息抽提特定ID的fasta格式的序列文件。传统方法大家肯定是一个个ID去查找，复制，粘贴。这种方法虽然很精确但是效率实在是太低了。如果能用几行命令解决不仅简单高效，而且还能一劳永逸，妈妈再也不用担心我花几天时间在查找序列上了。

下面就正式教大家，怎么把两个文件名字不一样的文件中特定想要的序列文件一一匹配并提取出来。

# 用grep命令匹配所有有>号的行，即所有序列名字的行，然后另存为文件 ITS_all.name

grep ">" ITS_all.fas > ITS_all.name

## 用sed查找>，并把所有>号删除
sed 's/>//g' ITS_all.name > ITS_all.txt

# 在windows下的格式在Linux环境下可能不识别需要转换格式

dos2unix ITS_all.name
dos2unix ITS.name

# 通过grep -f可以在前者的文件中查找并匹配后者文件中的所有内容，然后通过sort找出unique的序列ID，另存为ITS.out文件
grep -f ITS.name ITS_all.name | sort -u > ITS.out
## 用perl小程序进行提取
perl ./extract.pl ITS.out ITS_all.fas > ITS_extract.fa

那么这个extract.pl

这个小程序的具体代码是什么呢？

大家用的时候把它包装成extract.pl的脚本形式就行其内部代码如下：

#!/opt/perl/bin/perl

use warnings;
use strict;
use Bio::SeqIO;
use File::Basename;
use Getopt::Long;
use Pod::Usage;
use Bio::Index::Fasta;
use File::Find;
use Data::Dumper;

my $seqID=shift or die "sequence ID?";
my $fastafile=shift or die "fasta file?";

my $s_wrote1;
my $s_read1;
my $print_it1;
$s_read1 = $s_wrote1 = $print_it1 = 0; 

open(ID,"<$seqID"); 

#open(FASTA,">$seqID.fasta");
my %ids1=();
while (<ID>) { 
  s/\r?\n//; /^>?(\S+)/; $ids1{$1}++; 
} 
my $num_ids1 = keys %ids1; 

open(F, "<$fastafile");
while (<F>) { 
  if (/^>(\S+)/) { 
    $s_read1++; 
    if ($ids1{$1}) { 
      $s_wrote1++; 
      $print_it1 = 1; 
      $_ = join("\n", $_);
      #$_=join("\n", $new, $_);
      #$_=join($new, $_);
      delete $ids1{$1} 
    } else { 
      $print_it1 = 0  
    }
  }
  if ($print_it1) { 
     print $_;
#    print FASTA $_; 
  }
} 
warn "Searched $s_read1 FASTA records.\nFound $s_wrote1 IDs out of $num_ids1 in the ID list.\n";

grep命令常用参数介绍

linux的使用过程中会经常使用到匹配两个文件的操作

grep文件匹配时用到的参数

grep进行文件内容匹配工作是用到的参数主要有两个，分别是 **1. 取出两个文件中的相同部分内容“-wf”参数.

取出两个文件中的不同部分内容“-wvf”参数 **

取出两个文件中相同的行

grep -wf AAA.txt BBB.txt
111
222
ddd
fff
asda
1
2
3
4
5
6
7

取出两个文件中不同的行

grep -wvf aaa.txt bbb.txt
233
ccc
1
2
3
4

此时取出的是bbb.txt文件中存在而aaa.txt文件中没有的内容

grep -wvf bbb.txt aaa.txt
333
1
2
3

此时取出的是aaa.txt文件中存在而bbb.txt文件中没有的内容

grep -wvf firstfile secondfile规则就是取出secondfile中存在但是在firstfile中不存在的内容并输出到屏幕上