Извлечение строк и подстрок из одного файла в зависимости от информации из другого файла

Как указали thunk и msw, для такого рода задач доступны более подходящие инструменты, но здесь у вас есть сценарий, который может научить вас тому, как справляться с этим с помощью awk:

Содержимое script.awk:

## Process first file from arguments.
FNR == NR {
        ## Save ID and the range of characters to remove from sequence.
        blast[ $1 ] = $(NF-1) " " $NF
        next
}

## Process second file. For each FASTA id...
$1 ~ /^>/ {
        ## Get number.
        id = substr( $1, 2 )

        ## Read next line (the sequence).
        getline sequence

        ## if the ID is one found in the other file, get ranges and
        ## extract those characters from sequence.
        if ( id in blast ) {
                split( blast[id], ranges )
                sequence = substr( sequence, 1, ranges[1] - 1 ) substr( sequence, ranges[2] + 1 )
                ## Print both lines with the shortened sequence.
                printf "%s\n%s\n", $0, sequence
        }

}

Предполагая, что ваш 1.blasta вопроса и настроенный 1.fasta для его проверки:

>1
TCGACTAGCTACGACTCGGACTGACGAGCTACGACTACGG
>2
GCATCTGGGCTACGGGATCAGCTAGGCGATGCGAC
>27620
TTTGCGAGCGCGAAGCGACGACGAGCAGCAGCGACTCTAGCTACTGTTTGCGA 

Запустите скрипт следующим образом:

awk -f script.awk 1.blast 1.fasta

Это дает:

>1
ACTAGCTACGACTCGGACTGACGAGCTACGACTACGG
>27620
TTTGCGA

Конечно, я предполагаю некоторые вещи, самое главное, что последовательности fasta не длиннее одной строки.

Если вы занимаетесь биоинформатикой и работаете с последовательностями ДНК (или даже более сложными вещами, такими как аннотации последовательностей), я бы порекомендовал взглянуть на Биоперл. Это, очевидно, требует знания Perl, но имеет довольно много функций.

В вашем случае вы хотели бы сгенерировать Bio::Seq объекты из вашего fasta-файла, используя Bio::SeqIOмодуль.

Затем вам нужно будет прочитать номера fasta-entry и желаемые позиции в хэш. С fasta-name в качестве ключа и значением, представляющим собой массив из двух значений для каждой подпоследовательности, которую вы хотите извлечь. Если может быть более одной такой подпоследовательности на запись fasta, вам придется создать массив массивов в качестве записи значения для каждого ключа.

С помощью этой структуры данных вы можете извлечь последовательности, используя метод subseq из Bio::Seq< /а>.

Это не ответ, это попытка прояснить вашу проблему; пожалуйста, дайте мне знать, правильно ли я понял характер вашей задачи.

foreach row in blast:
    get the proper (blast[$1]) sequence from fasta
    drop bases (blast[$7..$8]) from sequence
    print blast[$1], shortened_sequence 

Если я правильно понял вашу задачу, вам мешает ваш язык программирования (bash) и особый формат ваших данных (запись, разделенная на строки). Perl или Python были бы гораздо более подходящими для этой задачи; на самом деле Perl был написан отчасти потому, что множественный доступ к файлам в awk того времени был действительно трудным, если не невозможным.

Вы продвинулись довольно далеко со знакомыми вам инструментами, но похоже, что вы упираетесь в пределы их удобной выразительности.

Обновил ответ:

awk  '
NR==FNR && NF { 
    id=substr($1,2)
    getline seq
    a[id]=seq
    next 
} 
($1 in a) && NF { 
    x=substr(a[$1],$7,$8)
    sub(x, "", a[$1])
    print ">"$1"\n"a[$1]
} ' 1.fasta 1.blast