拟南芥中基因家族序列的提取

1.拟南芥基因组数据的下载

phytozome 是一个收录植物基因组数据的网站,数据整理比较规范,已 经提供了去除可变剪切的 cds 和 protein 序列文件。只有 gff3 文件需要 过滤处理

  1. 对拟南芥的注释文件gff3文件进行ID处理,最终得到以下4个文件

基因组文件:Ath.genome.fasta

基因注释文件:Ath_final.gff3 cds

序列文件:Ath.cds.fasta

蛋白序列文件:Ath.pep.fasta

3.从拟南芥数据库 geneFamily 中下载我们关注的基因家族信息

手动将列表信息复制粘贴至notepad++软件中并保存

然后查阅拟南芥的基因组Ath_genome.fasta文件发现其gene_id全是大写字母,而上述的存在大小写,需将其全部转换成大写ID

awk 命令

然后说说 awk 命令(文本三剑客之一),你可以使用它的 touppertolower 选项来进行相同的操作。同样是上例,脚本中的命令可以使用以下方式代替执行:

bash 复制代码
$ cat SPL_Ath.list | awk '{print toupper($0)}' >> SPL_Ath.idlist
$cat SPL_Ath.idlist

AT2G47070
AT1G27370
AT1G27360
AT3G60030
AT5G50570
AT1G20980
AT3G57920
AT1G76580
AT5G43270
AT2G33810
AT1G53160
AT3G15270
AT1G69170
AT5G18830
AT1G02065
AT2G42200

上边是将字符转换为大写字符,下边则是相反操作,转换为小写字符:

$ cat SPL_Ath.list | awk '{print tolower($0)}' >> test2.list
  1. 基于SPL_Ath.idlist的ID信息去蛋白质序列文件提取对应的氨基酸序列
bash 复制代码
##首先安装seqtk软件
conda install -y seqtk
##再利用subseq选项根据id列表提取对应的序列
seqtk subseq Ath.pep.fasta SPL_Ath.idlist > SPL_Ath.pep.fasta

出现错误,没有提取序列成功;查阅一看发现是目标序列的ID"AT2G47070"和拟南芥蛋白质序列的ID"ATCG00500.1"(从Phytozome网站下载的)名称不一致

查阅发现从Emsembl网站下载的才是和自己的ID命名格式相同

bash 复制代码
##利用subseq选项根据id列表提取对应的序列
seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta
##利用sed命令配合正则表达式

cat test1.fasta | sed  's/.*gene:\(.*\) transcript:.*/>\1/p' |less -S

##保存结果

cat test1.fasta | sed  's/.*gene:\(.*\) transcript:.*/>\1/p' > pep.fasata

ID替换成基因的id

bash 复制代码
seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta

利用seqtk命令进行序列的提取

参考来源:

在Linux命令行内直接进行大小写转换 | 良许Linux教程网 (lxlinux.net)

相关推荐
yeyuningzi3 分钟前
Debian 12环境里部署nginx步骤记录
linux·运维·服务器
上辈子杀猪这辈子学IT21 分钟前
【Zookeeper集群搭建】安装zookeeper、zookeeper集群配置、zookeeper启动与关闭、zookeeper的shell命令操作
linux·hadoop·zookeeper·centos·debian
minihuabei26 分钟前
linux centos 安装redis
linux·redis·centos
EasyCVR1 小时前
萤石设备视频接入平台EasyCVR多品牌摄像机视频平台海康ehome平台(ISUP)接入EasyCVR不在线如何排查?
运维·服务器·网络·人工智能·ffmpeg·音视频
lldhsds1 小时前
书生大模型实战营第四期-入门岛-1. Linux前置基础
linux
wowocpp2 小时前
ubuntu 22.04 硬件配置 查看 显卡
linux·运维·ubuntu
山河君2 小时前
ubuntu使用DeepSpeech进行语音识别(包含交叉编译)
linux·ubuntu·语音识别
鹏大师运维2 小时前
【功能介绍】信创终端系统上各WPS版本的授权差异
linux·wps·授权·麒麟·国产操作系统·1024程序员节·统信uos
筱源源2 小时前
Elasticsearch-linux环境部署
linux·elasticsearch
萨格拉斯救世主2 小时前
jenkins使用slave节点进行node打包报错问题处理
运维·jenkins