如何在相同的multiFASTA文件中连接序列，然后将结果打印到新的FASTA文件?

Question

我有一个文件夹，里面有超过50个FASTA文件，每个文件都有2-8个FASTA序列，这里有一个例子:

testFOR.id_AH004930.fasta
>AH004930|2:1-128_Miopithecus_talapoin
ATGA
>AH004930|2:237-401_Miopithecus_talapoin
GGGT
>AH004930|2:502-580_Miopithecus_talapoin
CTTTGCT
>AH004930|2:681-747_Miopithecus_talapoin
GGTG
testFOR.id_M95099.fasta
>M95099|1:1-90_Homo_sapien
TCTTTGC
>M95099|1:100-243_Homo_sapien
ATGGTCTTTGAA

它们都是根据它们的ID号分组的(在本例中是AH004930和M95099)，我已经设法从原始的原始multiFASTA文件中提取了使用这里找到的非常方便的seqkit代码。

我的目标是:

1. 使用cat将这些序列放在文件中，如下所示:

>AH004930|2:1-128_Miopithecus_talapoin
ATGAGGGTCTTTGCTGGTG
>M95099|1:1-90_Homo_sapien
TCTTTGCATGGTCTTTGAA

(我不担心核苷酸的位置，我担心的是ID和物种名!)

这个结果打印出来到一个新的FASTA文件。

理想情况下，我真的希望将所有这50个文件压缩到一个FASTA中，然后我可以继续点击filter/align:

GENE_L.fasta
>AH004930|2:1-128_Miopithecus_talapoin
ATGAGGGTCTTTGCTGGTG
>M95099|1:1-90_Homo_sapien
TCTTTGCATGGTCTTTGAA
....

到目前为止，我已经找到了一种方法来实现我想要的，但一次只有一个文件(使用这个代码:cat myfile.fasta | sed -e '1!{/^>.*/d;}' | sed ':a;N;$!ba;s/n//2g' > output.fasta，我很遗憾地失去了信用链接)，但很多这些文件名非常相似，所以不可避免的是，如果我手工操作，我会错过一些/它会太慢。

我试着把它放入一个循环，它是有点像!但它所做的是它猫每个FASTA文件，把它放到一个新的，但只保留第一个头，留给我一个巨大的拼接序列;

for FILE in *; do cat *.fasta| sed -e '1!{/^>.*/d;}'| sed ':a;N;$!ba;s/n//2g' > output.fasta; done

output.fasta
>AH004930|2:1-128_Miopithecus_talapoin
ATGAGGGTCTTTGCTGGTGTCTTTGCATGGTCTTTGAAGGTCTTTGAAATGAGTGGT...

我想知道是否做一个类似于这里的循环会有任何好处，但我真的不确定如何让它在打开一个新文件后打印每个头。

我怎么能cat这些序列，打印到一个新的文件，仍然保持这些头?我非常感谢任何关于我在循环中哪里出错的建议和任何适合zsh shell的解决方案!我对任何python或linux解决方案都持开放态度。谢谢你的好意

Answer 1

这可能适合您(GNU sed):

sed -s '1h;/>/d;H;$!d;x;s/n//2g' file1 file2 file3 ...

设置-s分别处理每个文件

复制第一行。

删除其他包含>的行。

将所有其他行附加到第一行。

删除除最后一行外的其余行。

在文件末尾，交换到副本并删除除第一行外的所有换行符。

对所有文件重复此操作。

---

非gnu种子的替代方案:

for file in *.fasta; do sed '1h;/>/d;H;$!d;x;s/n//2g' "$file"; done

注意:MacOS sed可能需要放入脚本并使用-f选项调用，或者使用-e选项将其分成几个部分(较少使用;命令)，您的运气可能会有所不同。

或者:

for file in file?; do sed $'1h;/>/d;H;$!d;x;s/\n/@/;s/\n//g;s/@/\n/' "$file"; done

Answer 2

我不确定我完全理解你的问题，但如果你只是想将许多文件的内容连接到一个文件，我相信下面的(Python)代码应该可以工作:

import os
input_folder = 'path/to/your/folder/with/fasta/files'
output_file = 'output.fasta'
with open(output_file, 'w') as outfile:
for file_name in os.listdir(input_folder):
if not file_name.endswith('.fasta'):  # ignore this
continue
file_path = os.path.join(input_folder, file_name)
with open(file_path, 'r') as inpfile:
outfile.write(inpfile.read())