DNAコドン検索のための正規表現構文

Question 1

みんな手に入れよう十分単一ファイルのコドン:

{
    for (pos = 1; pos < length - 1; ++pos) {
        codon = substr($0, pos, 3)
        print codon
    }
}

この短いawkスクリプトは、各行の各3文字の長い部分文字列を出力します。バイオインフォマティクスという用語で言えば、各フレームの完全なコドンを順番に出力します。

与えられたデータをテストします。

$ awk -f script.awk <file
aac
aca
cac
acg
cga
gaa
aac
act
ctt
ttt
tta
taa
aac
aca
cac
acg

その後、各コドンの発生回数をソートして計算することができる。

$ awk -f script.awk <file | sort | uniq -c
   3 aac
   2 aca
   2 acg
   1 act
   2 cac
   1 cga
   1 ctt
   1 gaa
   1 taa
   1 tta
   1 ttt

ファイルに改行文字が含まれている場合は、改行文字によってコドンが破損する可能性があるように、まずそれらを削除してください。

$ cat file
aacacgaactttaacacg
aacacgaactttaacacg

$ tr -d '\n' <file | awk -f script.awk | sort | uniq -c
   6 aac
   4 aca
   4 acg
   2 act
   4 cac
   3 cga
   2 ctt
   3 gaa
   2 taa
   2 tta
   2 ttt

（合意数が2ではなく3にどのようにcga変更されるかを確認してください。）gaa

あなたのデータ大きいでは、改行文字の変換を処理する別の方法を見つける必要があります。

{
    $0 = lastbit $0

    for (pos = 1; pos < length - 1; ++pos) {
        codon = substr($0, pos, 3)
        print codon
    }

    lastbit = substr($0, length - 1)
}

これにより、各行の最後の2つの塩基が保存され、lastbitシーケンスの次の行の前に追加されます。

上記と同じ2行の入力を実行します。

$ awk -f script.awk <file | sort | uniq -c
   6 aac
   4 aca
   4 acg
   2 act
   4 cac
   3 cga
   2 ctt
   3 gaa
   2 taa
   2 tta
   2 ttt

最初のフレームのコドンだけが必要な場合：

{
    $0 = lastbit $0

    for (pos = 1; pos < length - 1; ++pos) {
        if ((pos + length(lastbit)) % 3 == 1) {
            codon = substr($0, pos, 3)
            print codon
        }
    }

    lastbit = substr($0, length - 1)
}

sort -nr出力を数の降順で並べ替えるには、上記のパイプラインに追加の手順を追加します。

また見なさい:

StackExchange 生物情報学ウェブサイト

Answer