如何使用 AWK 按计数过滤 OTU？答案

【问题标题】：How to filter the OTU by counts with AWK?如何使用 AWK 按计数过滤 OTU？
【发布时间】：2019-06-11 17:36:25
【问题描述】：

我正在尝试从 fasta 文件中过滤所有单例。这是我的输入文件：

 >OTU1;size=3;
 ATTCCCCGGGGGGG 
 >OTU2;size=1;
 ATCCGGGACTGATC
 >OTU3;size=5;
 GAACTATCGGGTAA
 >OTU4;size=1;
 AATTGGCCATCT

预期的输出是：

>OTU1;size=3;
ATTCCCCGGGGGGG 
>OTU3;size=5;
GAACTATCGGGTAA

我试过了

awk -F'>' '{if($1>=2) {print $0}' input.fasta > ouput.fasta

但这将删除每个 OTU 的所有标头。

谁能帮帮我？

【问题讨论】：

您要过滤什么。你提到计数，但计数是什么？

标签： awk

【解决方案1】：

请您尝试关注一下。

awk -F'[=;]' '/^>/{flag=""} $3>=3{flag=1} flag'   Input_file

【讨论】：

这里的“flag”是什么意思？
@Helen，它是一个变量，只要一行的第三个字段大于或等于 3，我就将其设为 TRUE。
我们之前已经讨论过几次 - 命名标志变量 flag 就像命名整数变量 integer。我想在技术上是正确的，但对于可读性而言，它几乎不如为它在逻辑上表示的变量命名，例如 count 或 sum 或 total 或 index 或其他东西，如果/当你有 2 个整数时会让人头疼并命名一个integer。在标志变量的情况下，它通常表示输入中的某些东西是found，在小脚本中通常缩写为f（注意：f 代表 found，而不是 flag)
不应该是$3>=2，还是更好的$3>1？

【解决方案2】：

$ awk '/>/{f=/=1;/}!f' file
 >OTU1;size=3;
 ATTCCCCGGGGGGG
 >OTU3;size=5;
 GAACTATCGGGTAA

【讨论】：

智能、简洁、优雅。

【解决方案3】：

awk -v FS='[;=]' 'prev_sz>=2 && !/size/{print prev RS $0}   /size/{prev=$0;prev_sz=$(NF-1)}'

>OTU1;size=3;
 ATTCCCCGGGGGGG
 >OTU3;size=5;
 GAACTATCGGGTAA

将每行的大小存储在prev_sz 变量中，将整行存储在prev 变量中。现在检查它是否为>= 2，然后打印上一行和当前行。 RS 用于打印新行。

【讨论】：

【解决方案4】：

虽然上述所有方法都有效，但它们仅限于输入始终必须看起来相同的事实。即您的 fasta 文件中的序列名称需要具有以下形式：

>NAME;size=value;

一些解决方案可以处理更多扩展的序列名称，但没有一个解决方案可以处理更通用的情况，即

>NAME;label1=value1;label2=value2;STRING;label3=value3;

标签xxx匹配值vvv的打印序列：

awk '/>{f = /;xxx=vvv;/}f' file.fasta

标签xxx的数值p大于q的打印序列：

awk -v label="xxx" -v limit=q \
    'BEGIN{ere=";" label "="}
     />/{ f=0; match($0,ere);value=0+substr($0,RSTART+length(ere)); f=(value>limit)}
     f' <file>

在上面ere是我们尝试匹配的正则表达式。我们使用它来查找附加到标签xxx 的值的位置。此子字符串的值后面将有非数字字符，但通过向其添加 0，它会转换为数字，丢失所有非数字值（即 3;label4=value4; 转换为 3）。我们检查该值是否大于我们的限制，并根据该结果打印序列。

【讨论】：