一行代码统计DNA序列中有多少nn的碱基

从网上下载的dna序列经常由于质量不高序列中含有n，因此统计n的数目十分重要。可以采用awk 一行代码统计序列中n的数目：

1. 检查序列中是否有n并打印序列名字

awk '{if($0~/^>/)a=$0;else {if($0~/n/)print a}}' test.fa |sed 's/^>//' > test_n_id

2. 如果想进一步查看序列中含有n的数目

 awk '{if($0~/^>/)a=$0;else {if($0~/n/){gsub(/[atcg]/,"",$0);printf a"\t"length($0)"\n"}}}' test.fa 

• 序列必须为单行序列，如果不是，需要现转换成单行，代码如下：

awk '/^>/&&NR>1{print "";}{printf "%s",/^>/?$0"\n":$0}' test.fa >singleLine.fa 

或者：

cat test.fasta | tr '\n' '\t' | sed 's/\t>/\n>/g' | sed 's/\t/\n/' | sed 's/\t//g' >test.oneline.fa

均可。

• 序列的碱基必须是小写字母atcg，如果是大写ATCGN，可用：

awk '{if($0~/^>/)a=$0;else {if($0~/N/){gsub(/[^N]/,"",$0);printf a"\t"length($0)"\n"}}}' test.fa