时间戳

首页 > 解决方案 > 如何计算属于集群的序列？（来自 cd-hit 输出）

bash - 如何计算属于集群的序列？（来自 cd-hit 输出）

问题描述

我有 cd-hit 输出，我想获得属于同一簇的序列数。

我的输入：

集群 1

0 33aa，>abu-miR-101a:1-8... *

集群 2

0 33aa，>abu-miR-103:1-8... * 1 33aa，>NODE_603086_length_... 在 100.00%

2 33aa，>NODE_603086_length_... 在 100.00%

3 33aa，>NODE_603086_length_... 在 100.00%

4 33aa，>NODE_603086_length_... 在 100.00%

集群 3

0 33aa，>abu-miR-10543:1-8... *

1 33aa，>abu-miR-10543:1-8... 在 100.00%

集群 4

0 33aa，>abu-miR-10544:1-8... *

集群 5

0 33aa，>abu-miR-10545-5p:1-... *

我想要这个输出：

集群 1 1

集群 2 5

集群 3 2

集群 4 1

集群 5 1

我只想要第一列中的集群名称和该集群在第二列中包含的序列数。

标签： bashperlsequence

解决方案

您可以向我们展示您尝试过的内容，而且我不确定您如何获得与集群 2 关联的 5 个序列（您的输出中只有 4 个，但我注意到列表中缺少 #1 ，所以可能是复制/粘贴错误？）。但是，在 Perl 中执行此操作的一种方法是，由于您已包含该标记，因此逐行读取文件，如果您看到“集群”字符串，请将其设为哈希键，否则（对于后续行），迭代像这样的计数：

#!/usr/bin/env perl
use strict;
use warnings;
use autodie;

my %results;
my $cluster;

while (<DATA>) {
    if ($_ =~ /Cluster/) {
        chomp($cluster = $_);
        $results{$cluster} = 0;
    } else {
        $results{$cluster}++;
    }
}

print "$_\t$results{$_}\n" for (sort { $a cmp $b } keys %results);

__DATA__
Cluster 1
0 33aa, >abu-miR-101a:1-8... *
Cluster 2
0 33aa, >abu-miR-103:1-8... * 1 33aa, >NODE_603086_length_... at 100.00%
2 33aa, >NODE_603086_length_... at 100.00%
3 33aa, >NODE_603086_length_... at 100.00%
4 33aa, >NODE_603086_length_... at 100.00%
Cluster 3
0 33aa, >abu-miR-10543:1-8... *
1 33aa, >abu-miR-10543:1-8... at 100.00%
Cluster 4
0 33aa, >abu-miR-10544:1-8... *
Cluster 5
0 33aa, >abu-miR-10545-5p:1-... *

我在这里做了很多假设（例如，新的集群总是以包含字符串“Cluster #”的行开头，然后是包含与每个“Cluster”相关的序列的后续行）。这只是一种快速思考方法的基本示例，您可能必须对其进行调整以满足您的最终需求。

推荐阅读