Remoção de códigos semelhantes de um arquivo de texto [RESOLVIDO]

1. Remoção de códigos semelhantes de um arquivo de texto [RESOLVIDO]

ari1990
(usa Outra)

Enviado em 18/09/2017 - 19:18h

Boa noite. Como estão? Espero encontrá-l@s bem.

Eu tenho um arquivo .fasta (arquivo de texto que representa sequências de DNA) e preciso editar os headers (cabeçalho) de cada sequência de nucleotídeos. Cada cabeçalho é constituído por um símbolo ">" que indica o começo de cada sequência e outras informações relevantes sobre a sequência. Seria possível criar um script que retirasse esse código do começo de cada sequência. No caso, passaria disso:

>M02913_120_000000000-AMC56_1_1101_20029_3467 Otu000001|58637|C2C1-C2C2-C2C4-C2S1-C2S2-C2S3-C3C1-C3C2-C3C3-C3S1-C3S2-C3S3-C4C2-C4C3-C4C4-C4S1-C4S2-C4S3-C9C1-C9C2-C9C4-C9S1-C9S2-C9S3-U2C2-U2C3-U2C4-U2S1-U2S2-U2S3-U3C1-U3C2-U3C4-U3S1-U3S2-U3S3-U4C1-U4C2-U4C4-U4S1-U4S2-U4S3-U9C1-U9C3-U9C4-U9S1-U9S2-U9S3
GG-G-G-A-A--TA-TT--GG-A-C----AA-T-G-G--GC---GA-A--A--G-C--C-T-G-A-T-C-C-A--GC-A-A--T-GCC-G-C-G-T--G-A-G-T--GA--T-G--A--A--G-G-CC----TT-AG--G-G-T--T-G-T--A---AA-G-C-TC----------------------TT-TT-A-C--C-CGG----G--A-T--G---A---------------------------------------T----------------------------AA------------------------------------------------------------------T-G-A-C-A-----G-T---A-C-CG--------G-G-A-G---------A-A-----------T--AA-----GC-C--CC-G-G-C-TAA-C--T-C-C-G-T--G-C-CA-G-C-A-G-C--CG-C-------GG--TA-AT-------AC---GG-AG-GGG-------GCT-A-G-C--G-T-T--GT-T-CGG-AA--TT-A-C-T--GG-GC--GT--A---AA-GC-GC-AC---G-TA-G-G-C-G--G--C-TT-T-G-T---AA-G-T-T-A----G-A-G--G--TG--A-AA-GC--C-C-GG-G-G---CT-C-AA--------C-T-C-C-G-G-A--A-T----T-G--C-C---T--T------T--AA-G-A---C-------T--G-C--AT--C-G-C--------T-A-G-A-A-T--T-----G-TG------GA-G-A--------G-G-T-A---AG-T-------------GG--A--ATT----C-C-G-A-GT--GT-A-G-AG-GT--G----A--A-A--TT-C-GT-AG--AT-A-TT--C-G-G-A-A-G-A-AC-A-CC--------AG--T--G--GC-GAA-G--G-C---G---A--C-T-T-A---CTG-----G--AC-A-C------------------------A-T-----A-T-T--GA--CG--C--T-G--A-GG--T-G-CG-A--AA-G-C--G-TG--GG-G--AG-C-A-AA--CA
>M02913_120_000000000-AMC56_1_1101_23577_7876 Otu000002|24961|C2C1-C2C2-C2C4-C2S1-C2S2-C2S3-C3C1-C3C2-C3C3-C3S1-C3S2-C3S3-C4C2-C4C3-C4C4-C4S1-C4S2-C4S3-C9C1-C9C2-C9C4-C9S1-C9S2-C9S3-U2C2-U2C3-U2C4-U2S1-U2S2-U2S3-U3C1-U3C2-U3C4-U3S1-U3S2-U3S3-U4C1-U4C2-U4C4-U4S1-U4S2-U4S3-U9C1-U9C3-U9C4-U9S1-U9S2-U9S3
GG-G-G-A-A--TA-TT--GG-A-C----AA-T-G-G--GC---GC-A--A--G-C--C-T-G-A-T-C-C-A--GC-C-A--T-GCC-G-C-G-T--G-A-G-T--GA--T-G--A--A--G-G-CC----CT-AG--G-G-T--T-G-T--A---AA-G-C-TC----------------------TT-TT-G-T--G-CGG----G--A-A--G---A---------------------------------------T----------------------------AA------------------------------------------------------------------T-G-A-C-G-----G-T---A-C-CG--------C-A-A-G---------A-A-----------T--AA-----GC-C--CC-G-G-C-TAA-C--T-T-C-G-T--G-C-CA-G-C-A-G-C--CG-C-------GG--TA-AT-------AC---GA-AG-GGG-------GCT-A-G-C--G-T-T--GC-T-CGG-AA--TC-A-C-T--GG-GC--GT--A---AA-GG-GT-GC---G-TA-G-G-C-G--G--G-TC-T-T-T---AA-G-T-C-A----G-G-G--G--TG--A-AA-TC--C-T-GG-A-G---CT-C-AA--------C-T-C-C-A-G-A--A-C----T-G--C-C---T--T------T--GA-T-A---C-------T--G-A--AG--A-T-C--------T-T-G-A-G-T--T-----C-GG------GA-G-A--------G-G-T-G---AG-T-------------GG--A--ACT----G-C-G-A-GT--GT-A-G-AG-GT--G----A--A-A--TT-C-GT-AG--AT-A-TT--C-G-C-A-A-G-A-AC-A-CC--------AG--T--G--GC-GAA-G--G-C---G---G--C-T-C-A---CTG-----G--CC-C-G------------------------A-T-----A-C-T--GA--CG--C--T-G--A-GG--C-A-CG-A--AA-G-C--G-TG--GG-G--AG-C-A-AA--CA

Para isso:

>Otu000001|58637|C2C1-C2C2-C2C4-C2S1-C2S2-C2S3-C3C1-C3C2-C3C3-C3S1-C3S2-C3S3-C4C2-C4C3-C4C4-C4S1-C4S2-C4S3-C9C1-C9C2-C9C4-C9S1-C9S2-C9S3-U2C2-U2C3-U2C4-U2S1-U2S2-U2S3-U3C1-U3C2-U3C4-U3S1-U3S2-U3S3-U4C1-U4C2-U4C4-U4S1-U4S2-U4S3-U9C1-U9C3-U9C4-U9S1-U9S2-U9S3
GG-G-G-A-A--TA-TT--GG-A-C----AA-T-G-G--GC---GA-A--A--G-C--C-T-G-A-T-C-C-A--GC-A-A--T-GCC-G-C-G-T--G-A-G-T--GA--T-G--A--A--G-G-CC----TT-AG--G-G-T--T-G-T--A---AA-G-C-TC----------------------TT-TT-A-C--C-CGG----G--A-T--G---A---------------------------------------T----------------------------AA------------------------------------------------------------------T-G-A-C-A-----G-T---A-C-CG--------G-G-A-G---------A-A-----------T--AA-----GC-C--CC-G-G-C-TAA-C--T-C-C-G-T--G-C-CA-G-C-A-G-C--CG-C-------GG--TA-AT-------AC---GG-AG-GGG-------GCT-A-G-C--G-T-T--GT-T-CGG-AA--TT-A-C-T--GG-GC--GT--A---AA-GC-GC-AC---G-TA-G-G-C-G--G--C-TT-T-G-T---AA-G-T-T-A----G-A-G--G--TG--A-AA-GC--C-C-GG-G-G---CT-C-AA--------C-T-C-C-G-G-A--A-T----T-G--C-C---T--T------T--AA-G-A---C-------T--G-C--AT--C-G-C--------T-A-G-A-A-T--T-----G-TG------GA-G-A--------G-G-T-A---AG-T-------------GG--A--ATT----C-C-G-A-GT--GT-A-G-AG-GT--G----A--A-A--TT-C-GT-AG--AT-A-TT--C-G-G-A-A-G-A-AC-A-CC--------AG--T--G--GC-GAA-G--G-C---G---A--C-T-T-A---CTG-----G--AC-A-C------------------------A-T-----A-T-T--GA--CG--C--T-G--A-GG--T-G-CG-A--AA-G-C--G-TG--GG-G--AG-C-A-AA--CA
>Otu000002|24961|C2C1-C2C2-C2C4-C2S1-C2S2-C2S3-C3C1-C3C2-C3C3-C3S1-C3S2-C3S3-C4C2-C4C3-C4C4-C4S1-C4S2-C4S3-C9C1-C9C2-C9C4-C9S1-C9S2-C9S3-U2C2-U2C3-U2C4-U2S1-U2S2-U2S3-U3C1-U3C2-U3C4-U3S1-U3S2-U3S3-U4C1-U4C2-U4C4-U4S1-U4S2-U4S3-U9C1-U9C3-U9C4-U9S1-U9S2-U9S3
GG-G-G-A-A--TA-TT--GG-A-C----AA-T-G-G--GC---GC-A--A--G-C--C-T-G-A-T-C-C-A--GC-C-A--T-GCC-G-C-G-T--G-A-G-T--GA--T-G--A--A--G-G-CC----CT-AG--G-G-T--T-G-T--A---AA-G-C-TC----------------------TT-TT-G-T--G-CGG----G--A-A--G---A---------------------------------------T----------------------------AA------------------------------------------------------------------T-G-A-C-G-----G-T---A-C-CG--------C-A-A-G---------A-A-----------T--AA-----GC-C--CC-G-G-C-TAA-C--T-T-C-G-T--G-C-CA-G-C-A-G-C--CG-C-------GG--TA-AT-------AC---GA-AG-GGG-------GCT-A-G-C--G-T-T--GC-T-CGG-AA--TC-A-C-T--GG-GC--GT--A---AA-GG-GT-GC---G-TA-G-G-C-G--G--G-TC-T-T-T---AA-G-T-C-A----G-G-G--G--TG--A-AA-TC--C-T-GG-A-G---CT-C-AA--------C-T-C-C-A-G-A--A-C----T-G--C-C---T--T------T--GA-T-A---C-------T--G-A--AG--A-T-C--------T-T-G-A-G-T--T-----C-GG------GA-G-A--------G-G-T-G---AG-T-------------GG--A--ACT----G-C-G-A-GT--GT-A-G-AG-GT--G----A--A-A--TT-C-GT-AG--AT-A-TT--C-G-C-A-A-G-A-AC-A-CC--------AG--T--G--GC-GAA-G--G-C---G---G--C-T-C-A---CTG-----G--CC-C-G------------------------A-T-----A-C-T--GA--CG--C--T-G--A-GG--C-A-CG-A--AA-G-C--G-TG--GG-G--AG-C-A-AA--CA

Esse primeiro código é o nome dado para cada dado pelo equipamento, dessa forma, cada sequência teria um código diferente. quando eu utilizo

grep 'M02913' rep.fasta

eu consigo encontrar todos os códigos diferentes que tem essa sequência no inicio. Existe alguma forma de utilizar o mesmo principio para encontrar e apagar todos os códigos que contenham M02913 no inicio? É importante que o sinal de ">" permanceça no começo.

Caso não seja possível, eu encontrei um script em python, mas eu não tenho nenhum conhecimento (noob) em python para utilizá-lo. Caso seja do conhecimento de algum de vocês, por gentileza, onde eu referencio o meu arquivo? Em qual lugar desse script e como eu coloco o arquivo molde para ser utilizado (rep.fasta)? Do jeito que esse script está, eu o copiei no servidor com o nome de otu.py e ao rodar apareceu um erro de Syntax na linha 8.

import sys
import re

#an empty list to hold the lines, as strings, of the input fasta file
info = []

#iterate through the input file and file up the list
with open(sys.argv[1], 'r') as fasta_in:
for line in fasta_in:
info.append(line.replace('\r', '').rstrip('\n'))

#an empty list to hold the OTU fasta seqs and their IDs as tuples
seqs = []

#iterate through the info list, replace the complex seq IDs with just the OTU ID, and fill up the seqs list
for index, item in enumerate(info):
if index == 0:
ID = re.search('Otu[0-9]*',item[1:]).group(0)
else:
if index % 2 == 0:
ID = re.search('Otu[0-9]*',item[1:]).group(0)
else:
seqs.append((ID, item))

#write the contents of the seqs list to a new file called "clean_repFasta.fasta"
with open("clean_repFasta.fasta", 'w') as fasta_out:
for item in seqs:
fasta_out.write('>' + item[0] + '\n' + item[1] + '\n')

Eu peço desculpas pela noobice e pelo texto longo. Se alguém puder me auxiliar ficaria extremamente grata.

0 0

Quote

2. MELHOR RESPOSTA

msoliver
(usa Debian)

Enviado em 18/09/2017 - 20:12h

ari1990 escreveu:

Boa noite. Como estão? Espero encontrá-l@s bem.

Eu tenho um arquivo .fasta (arquivo de texto que representa sequências de DNA) e preciso editar os headers (cabeçalho) de cada sequência de nucleotídeos. Cada cabeçalho é constituído por um símbolo ">" que indica o começo de cada sequência e outras informações relevantes sobre a sequência. Seria possível criar um script que retirasse esse código do começo de cada sequência. No caso, passaria disso:

Para isso:

Esse primeiro código é o nome dado para cada dado pelo equipamento, dessa forma, cada sequência teria um código diferente. quando eu utilizo

grep 'M02913' rep.fasta

Eu peço desculpas pela noobice e pelo texto longo. Se alguém puder me auxiliar ficaria extremamente grata.

Boa noite.
Segue:
sed 's/M02913.*\t//' arquivo.txt >> NOVO.txt

Att.:
Marcelo Oliver

0 0

Quote

3. Re: Remoção de códigos semelhantes de um arquivo de texto [RESOLVIDO]

Ryuk
(usa Nenhuma)

Enviado em 18/09/2017 - 20:02h

Veja se isso resolve:

sed 's/M02913.* //' arquivo

Obs: para fazer a edição direta no arquivo use a opção -i depois de sed, ou direcione a saída do comando para outro arquivo:

sed -i 's/M02913.* //' arquivo

sed 's/M02913.* //' arquivo > resultado.txt

0 0

Quote

4. Re: Remoção de códigos semelhantes de um arquivo de texto [RESOLVIDO]

ari1990
(usa Outra)

Enviado em 19/09/2017 - 14:20h

Ryuk não deu certo, mas o que o Marcelo Oliver mandou deu certinho. Muito obrigada pela ajuda de vocês. Me pouparam semanas de trabalho (cogitei editar manualmente kkkkk ) Estou muito agradecida. Um abraço e ótima semana.

0 0

Quote

5. Re: Remoção de códigos semelhantes de um arquivo de texto [RESOLVIDO]

msoliver
(usa Debian)

Enviado em 19/09/2017 - 14:34h

ari1990 escreveu:

Ryuk não deu certo, mas o que o Marcelo Oliver mandou deu certinho. Muito obrigada pela ajuda de vocês. Me pouparam semanas de trabalho (cogitei editar manualmente kkkkk ) Estou muito agradecida. Um abraço e ótima semana.

Boa tarde Ariana.
Bom que deu certo . . . .
Poderia retribuir, marcando a resposta como "A MELHOR", dessa forma sou pontuado, o que incentiva a continuar colaborando . . .

Att.:
Marcelo Oliver

0 0

Quote