根据文件名前缀及基因名称批量提取基因序列

我一整个大愚蠢，这种东西非常非常基础的东西就应该用别人已经成熟的工具解决（最好是用seqtk啦）

比如：

(6条消息) 如何根据 ID 快速从 fastq 文件中提取序列_根据id提取fastq序列_klcola的博客-CSDN博客

(6条消息) 根据基因名称批量提取基因序列_wt12138的博客-CSDN博客

但我居然不先查资料，愚蠢地造轮子（怒！）。算是学习了，而且对于多文件的操作或许会更快吧（自我安慰道.jpg）。。。

Step1. 序列文件的预处理

（如果需要的话，因为我是经过了excel操作后导出的，可能因此导致了这愚蠢的问题）

# window操作后，有时换行符会和linux里的不一样，这时便需要手动更改
sed -i 's/\r$//' seq_info.txt # 换行符
sed 's/\^/ /' seq_info.txt # 分列符

cat -A seq_info.txt # 检查换行符对不对

 如果经cat -A检验是这样，就不行

 

 经cat -A检验形如这样，就行

 

Step2. 提取序列

以下这个代码实现的是：

seq_info.txt是一个两列无表头的文件，第一列放文件名前缀，第二列放序列名。这是之前根据某条件比对筛选后，合并各文件比对结果的文件（之所以合并，是为了其他分析的快捷性）。

result/contigs是contig文件的路径，有很多.fa文件

根据seq_info.txt文件提取文件夹中的序列，输出到extracted_seqences.fa

while read prefix sequence_name; do
  grep -A 1 "\b$sequence_name\b" result/contigs/"$prefix".fa \
  | sed "s/^>\(.*\)$/$prefix-\1/"
done < seq_info.txt > extracted_sequences.fa

 得到的结果文件形如：

在每个序列头前面加>

while read prefix sequence_name; do
  grep -A 1 "\b$sequence_name\b" result/contigs/"$prefix".fa \
  | sed "s/^>\(.*\)$/>$prefix-\1/"
done < seq_info.txt > extracted_sequences.fa