连接外显子序列并在其间插入Ns
所以我想用一个带有外显子序列的FASTA文件来执行一个复杂的任务，例如：
>MSTRG.1.1_1_30
AAAACGGAGGACCAAGCCGTTTGCCGTACG
>MSTRG.1.1_2_20
CCCGAAGGGCGTTAGTGAGC
>MSTRG.2.1_1_30
ACGGGAGCGTTGTCGACCGGTTGCGAGCGT
>MSTRG.2.1_2_10
AACGGGACCT
>MSTRG.2.1_3_15
AACGTTTGCGTCTCT可以看到，我有两个文本，称为MSTRG.1.1和MSTRG.2.1。第一个文本有两个外显子，第一个被称为MSTRG.1.1_1_30，长度为30个字母。第二个外显子(片段)有20个字母。相反，另一个转录本有三个外显子，每个外显子有30，10和15个字母。
有更多的转录本和超过3个外显子，最多20个或多或少。
正如您所看到的，字母序列的标识符由抄本的名称"MSTRG.X.X“、外显子的编号和字符串的长度组成。
我想实现的目标如下：
>MSTRG.1.1_1_2
AAAACGGAGGACCAAGCCGTTTGCCGTACGNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCGAAGGGCGTTAGTGAGC
>MSTRG.2.1_1_2
ACGGGAGCGTTGTCGACCGGTTGCGAGCGTNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNAACGGGACCT
>MSTRG.2.1_2_3
AACGGGACCTNNNNNNNNNNNNNNNNAACGTTTGCGTCTCT一些解释：
我想把所有连续的外显子组合在同一个转录本中，所以对于转录本1，因为有两个外显子，所以只有一个合并的序列是由外显子1和2组合产生的。对于转录本2，如果存在更多的外显子，结果将是两个组合，外显子1和2，以及外显子2和3，依此类推，从而得到n-1个组合，其中n是外显子的数量。
除此之外，我想在两个组合外显子之间引入一串Ns，长度等于合并的外显子对的最长外显子+ 1。例如，在第一种情况下，在外显子1和2之间引入一串31 Ns。而在第二种情况下，在外显子1和2之间引入一串31 Ns，在外显子2和3之间引入一串16 Ns。
这基本上是我的主要任务，也是棘手的任务。有没有人知道或提出了基于Python、BASH、AWK、R、Perl或类似的解决方案？
我一直在尝试解决这个问题，但我无法找到一个很好的通用解决方案来循环相同的脚本，同时合并它们……
非常感谢。
回答 1
Stack Overflow用户
发布于 2019-07-04 02:00:02
Perl解决方案：
#!/usr/bin/perl
use warnings;
use strict;
use feature qw{ say };
my $transcript;
my $part;
my $exon;
while (<>) {
chomp;
if (/^>(.*?\.[0-9]+\.[0-9]+)_([0-9]+)/) {
my ($new_transcript, $new_part) = ($1, $2);
if ($transcript && $transcript eq $new_transcript) {
say ">$transcript\_$part\_$new_part";
} else {
undef $exon;
}
$transcript = $new_transcript;
$part = $new_part;
} else {
my $new_exon = $_;
if ($exon) {
my $max_length = length $exon;
$max_length = length $new_exon if length $new_exon > $max_length;
say $exon, 'N' x ++$max_length, $new_exon;
}
$exon = $new_exon;
}
}它逐行读取文件。最后处理的转录id及其部分(以及前一个外显子)存储在变量中。如果我们遇到一个标题，我们检查是否启动了一个新的脚本。如果是，我们可以忘记前一个外显子，否则我们打印包含抄本、前一部分和实际部分的标题。
如果我们阅读外显子行，如果有一个外显子需要打印(这意味着我们不是在转录的第一部分)，我们检查旧的和新的外显子的长度，选择较长的外显子，并输出外显子和N's。然后，我们记住外显子以便进一步处理，如果后面跟着相同转录的另一部分。
https://stackoverflow.com/questions/56875399
复制相似问题
腾讯云开发者
