如何通过在本地数据库中搜索python或linux命令将蛋白质ID转换为蛋白质名称

Question

我有两个文件：ID.TXT包含蛋白质ID，如这样：

KKP65897.1
KKP42119.1
KKP91065.1
OGY93232.1

另一个文件是nr.faa。这是从NCBI下载的数据库Fasta-Format文件。就是这样：

>KKP42119.1 hypothetical protein DDB_G027.......
MASTQNTVEEVAQJML.......
>KKP65897.1 hypothetical protein DDB_G127.......
MATSREEQNTVEEVAQJML.......

我想通过IDS.TXT中的名称在此Fasta数据库文件中搜索，然后返回蛋白质名称，例如"假设蛋白质"，然后将它们存储在TXT文件中。这样，我将ID与蛋白质名称联系起来。

数据库文件是巨大的〜7G，我还提取了标题行'> .....'，然后将其保存到TXT文件（〜3G）。也许在该文件中搜索更快。

如何在Python或Linux命令行中执行此操作？

谢谢。

Answer 1

并返回蛋白质名称，例如"假设蛋白质"，然后存储 他们在txt文件中

使用功能强大的 awk 工具：

awk 'NR==FNR{ a[$1];next }/^>/ && (substr($1,2) in a){ print $2,$3 }' id.txt nr.fa > prot_names.txt

---

生成的prot_names.txt文件将如下如下：

hypothetical protein
hypothetical protein
...

---

如果要抓住包含蛋白质名称的整行 - 使用以下 GREP 方法：

grep -Ff id.txt nr.fa > prot_names.txt

在这种情况下，prot_names.txt文件将包含：

>KKP42119.1 hypothetical protein DDB_G027.......
>KKP65897.1 hypothetical protein DDB_G127.......
...

Answer 2

在bash中，您可以简单地使用grep获取与搜索字符串匹配的行：

grep "KKP65897.1" database.txt