簡化列表/數組的元素，然後向它們添加增量標識符a，b，c，d ....等

Question

我正在處理.fasta文件的頭文件（這是一個普遍用於遺傳學/生物信息學以存儲DNA/RNA序列數據）。 Fasta文件的頭部以>符號開頭（給出特定的信息），後面跟着頭部描述的下一行的實際序列數據。序列數據無限期延伸，直到下一個標題及其相應序列之後的下一個\ n。例如：

>scaffold1.1_size947603 
ACGCTCGATCGTACCAGACTCAGCATGCATGACTGCATGCATGCATGCATCATCTGACTGATG.... 
>scaffold2.1_size747567.2.603063_605944 
AGCTCTGATCGTCGAAATGCGCGCTCGCTAGCTCGATCGATCGATCGATCGACTCAGACCTCA.... 

等等...

所以，我與基因組與我一起工作的有機體的FASTA頭一個問題。不幸的是，解決這個問題所需的perl專業知識似乎超出了我目前的技能水平：S所以我希望有人能在這裏向我展示如何做到這一點。

我的基因組由大約25000個fasta頭文件和它們各自的序列組成，它們當前狀態下的頭文件給我帶來很多麻煩，我嘗試使用序列校準器，所以我必須將它們顯着簡化。這是我的第幾個頭的一個例子：

>scaffold1.1_size947603 
>scaffold10.1_size550551 
>scaffold100.1_size305125:1-38034 
>scaffold100.1_size305125:38147-38987 
>scaffold100.1_size305125:38995-44965 
>scaffold100.1_size305125:76102-78738 
>scaffold100.1_size305125:84171-87568 
>scaffold100.1_size305125:87574-89457 
>scaffold100.1_size305125:90495-305068 
>scaffold1000.1_size94939 

基本上我想提煉這些看起來像這樣：

>scaffold1.1a 
>scaffold10.1a 
>scaffold100.1a 
>scaffold100.1b 
>scaffold100.1c 
>scaffold100.1d 
>scaffold100.1e 
>scaffold100.1f 
>scaffold100.1g 
>scaffold1000.1a 

或者甚至這個（不過這似乎將是更加複雜）：

>scaffold1.1 
>scaffold10.1 
>scaffold100.1a 
>scaffold100.1b 
>scaffold100.1c 
>scaffold100.1d 
>scaffold100.1e 
>scaffold100.1f 
>scaffold100.1g 
>scaffold1000.1 

我在這裏做的是擺脫基因組的每個腳手架的所有大小數據。對於偶發碎片的支架，我想用a，b，c，d等表示它們。有幾個支架有26個以上的碎片，所以我可以用x，y，z，A， B，C，d ....等。

我在想這樣做一個簡單的替換與此類似foreach循環：

#!/usr/bin/perl -w 

### Open the files 
$gen = './Hc_genome/haemonchus_V1.fa'; 
open(FASTAFILE, $gen); 
@lines = <FASTAFILE>; 
#print @lines; 

###Add an @ symbol to the start of the label 
my @refined; 
foreach my $lines (@lines){ 
    chomp $lines; 
    $lines =~ s/match everything after .1/replace it with a, b, c.. etc/g; 
    push @refined, $lines; 
} 
#print @refined; 


###Push the array on to a new fasta file 
open FILE3, "> ./Hc_genome/modded_haemonchus_V1.fa" or die "Cannot open output.txt: $!"; 

foreach (@refined) 
{ 
    print FILE3 "$_\n"; # Print each entry in our array to the file 
} 
close FILE3; 

但我不知道要建在在匹配和替換運算符中添加$ 1和\ n之間的字母標籤添加。基本上，因爲我不知道如何依次通過字母表爲每個特定腳手架的片段（我可以管理的是在每個腳手架的開始處添加一個...）

請如果您不要不介意，讓我知道我可以做到這一點！

非常感謝！

安德魯

Answer 1

在Perl，增量運營商++相對於字符串「神奇」的行爲。例如。 my $s = "a"; $a++增量$a至"b"。這一直持續到"z"，其中增量將產生"aa"等等。

您文件的標題看起來是正確排序的，所以我們可以循環遍歷每個標題。從頭文件中，我們提取起始部分（包括.1在內的所有內容）。如果這個起始部分與前一個頭部的起始部分相同，我們增加我們的序列標識符。否則，我們將其設置爲"a"：

use strict; use warnings; # start every script with these 

my $index = "a"; 
my $prev = ""; 

# iterate over all lines (rather than reading all 25E3 into memory at once) 
while (<>) { 

    # pass through non-header lines 
    unless (/^>/) { 
    print; # comment this line to remove non-header lines 
    next; 
    } 

    s/\.1\K.*//s; # remove everything after ".1". Implies chomping 

    # reset or increment $index 
    if ($_ eq $prev) { 
    $index++; 
    } else { 
    $index = "a"; 
    } 

    # update the previous line 
    $prev = $_; 

    # output new header 
    print "$_$index\n"; 
} 

用法：$ perl script.pl <./Hc_genome/haemonchus_V1.fa >./Hc_genome/modded_haemonchus_V1.fa。

編寫接受STDIN輸入並寫入STDOUT的程序被認爲是一種很好的風格，因爲這樣可以提高靈活性。而不是在perl腳本中硬編碼路徑，請保持腳本通用，並使用shell重定向運算符（如<）來指定輸入。這也爲您節省了手動打開文件的麻煩。

輸出示例：

>scaffold1.1a 
>scaffold10.1a 
>scaffold100.1a 
>scaffold100.1b 
>scaffold100.1c 
>scaffold100.1d 
>scaffold100.1e 
>scaffold100.1f 
>scaffold100.1g 
>scaffold1000.1a