A trükk az lenne, ha kicserélnénk a szótár kulcsát, hogy az maga a szekvencia legyen.

Azt is javasolnám, hogy használjon egy másik elválasztót, amely "_", mivel a jelenlegi azonosítóknak ez van, hogy Ön könnyen elkülönítheti az egyes azonosítókat a összefűzött azonosítóktól. Pipát használtam "|" ebben a példában. Szintén csak kézzel írtam a FASTA kimenetet, ahelyett, hogy a Biopython-ot használtam volna rá.

  a Bio importból SeqIOfrom gyűjteményekből import defaultdictdedup_records = defaultdict (lista) a SeqIO.parse ("test.fasta") rekordhoz , "fasta"): # Használja a sorrendet kulcsként, majd adjon meg egy azonosító listát a dedup_records [str (record.seq)] értékként. addend (record.id) with open ("Output.fasta", 'w ') kimenetként: a seq esetében az azonosítók a dedup_records.items () -ben: # Csatlakozzon az azonosítókhoz, és írja ki őket a fasta output.write ("> {} \ n" .format (' | '.join (ids)) fájlba ) output.write (seq + "\ n")  

Csak egy kis variáció a @ Bioathlete válaszához abban az esetben, ha a fasta-t a Biopython segítségével szeretné megírni (pl. nevek és leírás hozzáadásához):

  a Bio-tól import SeqIOfrom Bio.Seq import Seqfrom Bio.SeqRecord import SeqRecordfrom Bio.Alphabet import IUPACfrom gyűjtemények import defaultdictdedup_records = defaultdict (lista) a SeqIO.parse rekordhoz ("test.fasta", "fasta"): # Használja a sorrendet kulcsként és ezután az azonosítók listája legyen a dedup_records [str (record.seq)] érték. append (record.id) # ez létrehoz egy generátort; ha fizikai listára van szüksége, cserélje ki a külső "(", ")" -et "[" és "]" -re, illetve final_seq = (SeqRecord (Seq (seqi, IUPAC.protein), id = "|" .csatlakozzon (gi) , name = "", description = "" a seqi, gi számára a dedup_records.items ()) # write fileSeqIO.write (final_seq, 'test_output_final.fasta', 'fasta')  

Ez adja meg a kívánt kimenet:

  >prot_id_1 | prot_id_5 | prot_id_7MAWIGLDISKLFVENSRDAAA>prot_id_2 | prot_id_6MENVSRIWRYQQRRVLSRAFTHWYLMGLTKHNHPS>prot_id_4MEMVLSSANPSTTFADSYVV>prot_id_3MRTRPSRDFHYIVGRITRESPEEKGIFYVFH  

a datamash és néhány awk használatával

  $ cat input.fa | paszta - - | \ cut -c2- | sort -t $ '\ t' -k2,2 | \ datamash összeomlás 1 -g 2 | tr "" "_" | \ awk '{printf ( ">% s \ n% s \ n", $ 2, $ 1);}' >prot_id_1_prot_id_5_prot_id_7MAWIGLDISKLFVENSRDAAA>prot_id_4MEMVLSSANPSTTFADSYVV>prot_id_2_prot_id_6MENVSRIWRYQQRRVLSRAFTHWYLMGLTKHNHPS>prot_id_3MRTRPSRDFHYIVGRITRESPEEKGIFYVFH  

Ez meglehetősen egyszerűen megtehető az awk használatával is:

awk '{if (NR% 2) {printf ("% s \ t", $ 1)} else {print}} 'fájlnév | sort -k2,2 | awk '{if ($ 2 == SEQ) {gsub (">", "", $ 1); ID = ID "|" $ 1} else {if (SEQ! = "") {printf ("% s \ n% s \ n ", ID, SEQ);} SEQ = $ 2; ID = $ 1;}} END {printf ("% s \ n% s \ n ", ID, SEQ)} '

Az első awk átalakítja a fasta fájlt tabulátorral elválasztott fájlokká, amelynek formátuma ID \ tSequence , amelyet ezután sorrend szerint rendeznek sort szerint. . Az utolsó awk a rendezett fájlon megy keresztül a szekvenciákat nézve: ha az aktuális sor szekvenciája megegyezik az előző soréval, akkor hozzáfűzi azonosítóját az ID változóhoz. Egyébként (vagyis új szekvenciával találkoztunk) kinyomtatja a korábbi összefűzött azonosítókat és a megfelelő szekvenciát.

Itt van az ingyenes programom a Github Sequence database kurator on ( https://github.com/Eslam-Samir-Ragab/Sequence-database-curator)

Ez egy nagyon gyors program, és képes kezelni:

1. nukleotidszekvenciákat
2. fehérjeszekvenciákat

működhet operációs rendszerek alatt: / p>

1. Fasta formátum
2. Fastq formátum

Üdvözlettel

Ha nagyon nagy fasta fájlja van (60 GB), miért használja a SeqIO.parse fájlt, és a kimeneti fájlt a biopython segítségével írja?

Miért nem használja inkább a SimpleFastaParser programot (kap egy duplát (név, szekvencia) ), és nem kell addig várni, amíg az elemzőt és a Seqrecords-ot használod.

Mit gondolsz róla srácok?

Köszönöm

Paulo

Típusa:

  a Bio.SeqIO.FastaIO fájlból importálja a SimpleFastaParser-t kulcsként, majd adjon meg egy azonosítók listáját a dedup_records [seq]] értékként. addout (név) outputként open (fájlnév, 'w') kimenetként: seq esetén az idup a dedup_records.items () -ben: # Csatlakozzon az azonosítókhoz és írja ki őket a fasta output.write ("> {} \ n" .format ('|' .join (ids))) output.write (seq + "\ n")