使用Grep提取指定特征多行记录及CSV匹配需求

需求一：提取包含指定AB（OS）字段的条目 #

针对以>开头、后续多行序列的文件，提取所有包含AB=EEE FFF（实际场景对应OS=Homo sapiens这类带空格的字段值）的完整条目，可使用awk命令实现：

awk -v RS='>' '/AB=EEE FFF/ {print ">"$0}' input_file.fasta

命令解释： #

• -v RS='>'：将记录分隔符设为>，让每个条目（标题行+后续序列行）成为独立记录。
• /AB=EEE FFF/：筛选包含目标字段模式的记录。
• print ">"$0：补回记录缺失的开头>，保证输出格式与原文件一致。

实际场景中匹配OS=Homo sapiens时，只需将模式替换为/OS=Homo sapiens/即可。

需求二：提取CD（GN）字段匹配CSV列表的条目 #

假设CSV文件为gn_list.csv（每行一个GN值），主序列文件为input_file.fasta，可通过以下awk命令批量匹配并提取条目：

awk -v RS='>' 'NR==FNR {gn[$0]=1; next} match($0, /GN=([A-Z0-9]+)/, m) && gn[m[1]] {print ">"$0}' gn_list.csv input_file.fasta

命令解释： #

1. 处理CSV文件：
   • NR==FNR：处理第一个文件（gn_list.csv）时，将每行GN值存入数组gn标记为存在。
   • next：跳过后续逻辑，直接读取下一行。
2. 处理主序列文件：
   • match($0, /GN=([A-Z0-9]+)/, m)：用正则提取记录中的GN值，存入数组m（m[1]为匹配到的GN值）。
   • gn[m[1]]：检查提取的GN值是否在CSV列表的数组中。
   • print ">"$0：符合条件则输出完整条目，补回开头的>。

注意事项： #

• 若GN字段值包含下划线，可调整正则为/GN=([A-Z0-9_]+)/。
• 若CSV存在空行，先过滤：awk 'NF' gn_list.csv > cleaned_gn_list.csv，再用清理后的文件执行命令。

内容的提问来源于stack exchange，提问作者Joy Zheng