提取序列是生物信息分析中常见的一个操作，也是学习生物信息编程的入门操作。通常是给定基因ID，然后从一个大的数据集里面提取出匹配ID的序列，包含匹配的序列ID和序列信息，类似于Excel中的Vlookup，但是这里需要一个包含序列ID的列表以及一个包含序列的fasta格式文件。如果不会编程该如何提取呢，今天我们就介绍一些方法。
例如这里有五条序列，我们需要根据基因ID，提取出gene3和gene5的内容。
>gene1
AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTCTCTGACAGCAGC
TTCTGAACTGGTTACCTGCCGTGAGTAAATTAAAATTTTATTGACTTAGGTCACTAAATACTTTAACCAA
TATAGGCATAGCGCACAGACAGATAAAAATTACAGAGTACACAACATCCATGAAACGCATTAGCACCACC
>gene2
ATTACCACCACCATCACCACCACCATCACCATTACCATTACCACAGGTAACGGTGCGGGCTGACGCGTAC
AGGAAACACAGAAAAAAGCCCGCACCTGACAGTGCGGGCTTTTTTTTCGACCAAAGGTAACGAGGTAACA
>gene3
ACCATGCGAGTGTTGAAGTTCGGCGGTACATCAGTGGCAAATGCAGAACGTTTTCTGCGGGTTGCCGATA
TTCTGGAAAGCAATGCCAGGCAGGGGCAGGTGGCCACCGTCCTCTCTGCCCCCGCCAAAATCACCAACCA
CCTGGTGGCGATGATTGAAAAAACCATTAGCGGCCAGGATGCTTTACCCAATATCAGCGATGCCGAACGT
ATTTTTGCCGAACTTCTGACGGGACTCGCCGCCGCCCAGCCGGGATTCCCGCTGGCGCAATTGAAAACTT
>gene4
TCGTCGACCAGGAATTTGCCCAAATAAAACATGTCCTGCATGGCATTAGTTTGTTAGGGCAGTGCCCGGA
TAGCATTAACGCTGCGCTGATTTGCCGTGGCGAGAAAATGTCGATCGCCATTATGGCCGGCGTATTAGAA
>gene5
GCGCGCGGTCACAACGTTACCGTTATCGATCCGGTCGAAAAACTGCTGGCAGTGGGGCATTACCTCGAAT
CTACTGTCGATATTGCAGAGTCCACCCGCCGTATTGCGGCAAGTCGTATTCCGGCTGATCACATGGTGCT
GATGGCAGGTTTCACCGCCGGTAATGAAAAAGGCGAACTGGTGGTACTTGGACGCAACGGTTCCGACTAC
TCCGCGGCGGTGCTGGCTGCCTGTTTACGCGCCGATTGTTGCGAGATTTGGACGGACGTTGACGGGGTAT
原始方法
直接用文本编辑器打开，然后直接Ctrl+C复制，Ctrl+V粘贴，不过这样处理稍微大一点的数据，不仅效率低下，而且很容易出错，直至就会把人搞奔溃，我们坚决抵制这种做法。
sed
利用sed提取，我们首先使用less -N查看一下这两条序列对应的行号，然后就可以利用sed输出任意行的内容了。
less-N gene.fna
sed -n'8,12p;16,20p'gene.fna
awk
awk也可以输出固定行的内容，或者匹配固定行的内容。其中NR代表行号，number row。
awk'NR>=8 && NR<12 {print}'gene.fna
awk'NR>=16 && NR<20 {print}'gene.fna
grep
grep可以用于匹配ID，-A选项可以设置输出匹配后的几行，我们首先利用seqtk工具将fasta序列都格式化为两行一个单位。
seqtkseq-l0gene.fna>gene.fa
grep-A1 "gene[3|5]"gene.fa
samtools
以上几种方法处理一些小序列还行，如果一次有100个基因ID，也不太方便。
这种情况下强烈推荐samtools工具。利用samtools建立索引，就可以完成快速提取序列。
#首先为利用faidx为fasta文件建立索引
samtoolsfaidx gene.fna
#创建索引之后就可以快速提取了
samtools faidx gene.fna gene3 gene5
编程
其实用编程也很容易实现，无论是perl还是python都不难，首先将ID和序列存储为一个哈希或者字典型的数据结构，然后就可以很方便的利用ID进行查找了。
#将基因ID写入到gene.list文件中，每行一个基因ID
perlget_seq_bylist.plgene.listgene.fna
后台回复“提取序列”，获得该程序，如果你有更好的方法，也可以留言给我们。
---------- END ----------
欢迎订阅我们的微信订阅号：基因学苑
网友评论