Bash 如何在unix/linux命令中搜索关键字并计算大小片段？（限制酶消化）

例如，我有一个

.fa

fasta这样的文件，执行

HindIII

ataaaatactggcaaacagaatccagcagcacatcaaaaagcttatccac
AGTAATTCATTATATCAAAATGCTCCAggccaggcgtggtggcttatgcc
tgtaatcccagcactttgggaggtcgaagtgggcggatcacttgaggtca
aatgtagtaagattatctcagattttaaccgctgtattaaaaaagcttaa
tataatccatgaaaattggaggccaaactaagcttagatacaaacatcta
ggagttggagactagcctggccaacatgatgaaaccccgtctctaataat
aggaaaaggagaggaatgaggttggaaaatagtacacaggaagcttcaac

我正在查找序列

aagctt

，包括大写和小写字母，然后将字符串分隔为

a

和

agctt

将每个片段视为单独的单元，并计算其长度

fragment 1 from 1 to 39: length 39
ataaaatactggcaaacagaatccagcagcacatcaaaa

fragment 2 from 40 to 193: length 154
                                       agcttatccac
AGTAATTCATTATATCAAAATGCTCCAggccaggcgtggtggcttatgcc
tgtaatcccagcactttgggaggtcgaagtgggcggatcacttgaggtca
aatgtagtaagattatctcagattttaaccgctgtattaaaaa

fragment 3 from 194 to 230: length 37
                                           agcttaa
tataatccatgaaaattggaggccaaacta

fragment 4 from 231 to 341: length 111
                              agcttagatacaaacatcta
ggagttggagactagcctggccaacatgatgaaaccccgtctctaataat
aggaaaaggagaggaatgaggttggaaaatagtacacagga

fragment 5 from 342 to 350: length 9
                                         agcttcaac

我不需要unix/linux命令，只需要这个问题的伪代码

---

我曾尝试使用

sed-I's/AAGCTT/A\'$'\nAGCTT/g'

将

A

与

agctt

分开，并使用

wc-l

计算长度，但我无法得到整个片段的长度。

这里是可以工作的伪代码，假设整个文件可以放入内存。它有两个步骤：

• 把所有的线组合成一根大绳
• 重复搜索模式，并返回片段偏移量
• 假设索引（s、模式、位置）在“s”中搜索“模式”，从位置位置（Perl样式）开始

#将完整输入读取到内存中
S=“”
读P；做
S=S+P
#搜索事件
PREV=0
N=0
虽然是真的
下一个=指数（S，'aagcct'，上一个+1）
如果（下一个<0）中断#不再发生
N=N+1
打印“Fragement”，N，“from”，PREV，“to”，NEXT，“length”，NEXT-PREV+1
打印子文件（S、上一页、下一页-上一页）
上一个=下一个

---

原始问题表明，为了计算打印偏移量，需要拆分图案。这一部分有点不清楚，在这个解决方案中没有考虑到。

这里是可以工作的伪代码，假设整个文件可以放入内存。它有两个步骤：

• 把所有的线组合成一根大绳
• 重复搜索模式，并返回片段偏移量
• 假设索引（s、模式、位置）在“s”中搜索“模式”，从位置位置（Perl样式）开始

#将完整输入读取到内存中
S=“”
读P；做
S=S+P
#搜索事件
PREV=0
N=0
虽然是真的
下一个=指数（S，'aagcct'，上一个+1）
如果（下一个<0）中断#不再发生
N=N+1
打印“Fragement”，N，“from”，PREV，“to”，NEXT，“length”，NEXT-PREV+1
打印子文件（S、上一页、下一页-上一页）
上一个=下一个

---

原始问题表明，为了计算打印偏移量，需要拆分图案。这一部分有点不清楚，在这个解决方案中没有考虑。

欢迎使用堆栈溢出。请在问题中添加您自己的代码。你至少要展示你自己为解决这个问题所做的研究。你能澄清一下“部分”吗？这是一个以“agctt”开头，以“a”结尾，然后是另一个“agctt”的序列吗？“agctt”模式能否跨越界限？我希望将

aagctt

分离为

a

&

agctt

，模式应该只包含在同一行中考虑迁移到bioformatics.SE，在那里这个问题可能会得到更多答案，也不太可能关闭。另请参见：找到序列特异性酶所有可能切割位点的最佳方法是什么？：，在硅基因组消化中？：欢迎来到Stack Overflow。请在问题中添加您自己的代码。你至少要展示你自己为解决这个问题所做的研究。你能澄清一下“部分”吗？这是一个以“agctt”开头，以“a”结尾，然后是另一个“agctt”的序列吗？“agctt”模式能否跨越界限？我希望将

aagctt

分离为

a

&

agctt

，模式应该只包含在同一行中考虑迁移到bioformatics.SE，在那里这个问题可能会得到更多答案，也不太可能被关闭。另请参见：找到序列特异性酶所有可能切割位点的最佳方法是什么？：，在电子基因组消化中？：谢谢你的回答，但跨行的模式

aagctt

不应计算在内，图案应在

a

和

agctt

之间的位置拆分感谢您的回答，但是跨越行的图案

aagctt

不应计算在内，图案应在

a

和

agctt

之间的位置拆分

  # Read complete input into memory
S = ""
while read P ; do
   S = S + P

  # Search for occurences
PREV=0
N=0
while true
    NEXT=index(S, 'aagcct', PREV+1)
    if ( NEXT < 0 ) break   # no more occurences
    N=N+1
    print "Fragement ", N, " from ", PREV, " to ", NEXT, ": length", NEXT-PREV+1
    print substr(S, PREV, NEXT-PREV) 
    PREV=NEXT