Linux 选择fasta文件中超过300 aa的序列和；"；至少发生4次

我有一个包含蛋白质序列的fasta文件。我想选择含有300多个氨基酸的序列，半胱氨酸（C）氨基酸出现4次以上

我用这个命令选择了超过300 aa的序列：

 cat 72hDOWN-fasta.fasta | bioawk -c fastx 'length($seq) > 300{ print ">"$name; print $seq }' 

一些序列示例：

  >jgi|Triasp1|216614|CE216613_3477
 MPSLYLTSALGLLSLLPAAQAGWNPNSKDNIVVYWGQDAGSIGQNRLSYYCENAPDVDVI
 NISFLVGITDLNLNLANVGNNCTAFAQDPNLLDCPQVAADIVECQQTYGKTIMMSLFGST
 YTESGFSSSSTAVSAAQEIWAMFGPVQSGNSTPRPFGNAVIDGFDFDLEDPIENNMEPFA
 AELRSLTSAATSKKFYLSAAPQCVYPDASDESFLQGEVAFDWLNIQFYNNGCGTSYYPSG
 YNYATWDNWAKTVSANPNTKLLVGTPASVHAVNFANYFPTNDQLAGAISSSKSYDSFAGV
 MLWDMAQLFGNPGYLDLIVADLGGASTPPPPASTTLSTVTRSSTASTGPTSPPPSGGSVP
 QWGQCGGQGYTGPTQCQSPYTCVVESQWWSSCQ* 

---

我不知道

bioawk

，但我假设它与一些初始解析和常量定义相同

我将按以下方式进行。假设您希望查找长度大于4倍于中字母

C

且长度大于300的字符串，则可以执行以下操作：

bioawk -c fastx '
   (length($seq) > 300) && (gsub("C","C",$seq)>4) {
       print ">"$name; print $seq
   }' 72hDOWN-fasta.fasta

但这假设

seq

是完整的字符序列

其背后的思想如下。

gsub

命令以字符串形式执行替换，并返回所执行的替换总数。因此，如果我们用“C”替换所有字符“C”，实际上我们并没有改变字符串，而是得到了字符串中“C”的总量

来自：

gsub（ere，repl[，in]）

：行为类似于

sub

（见下文），但它应替换所有出现的正则表达式（如

$0

或in参数中的实用程序全局替换， 指定时

sub（ere，repl[，in]）

：用字符串

repl

替换字符串

中扩展正则表达式
ere
的第一个实例
和返回替换的数量。(一),
处理），该行为未定义。如果省略了

中的

，则awk
应在其位置使用当前记录（
$0
）

注意：基于中记录的。我不确定此版本是否与兼容。
请将代码正确地包装在代码标签中，并让我们知道您的帖子到目前为止似乎还不清楚。数据是像您上面显示的块还是一行？如果是一个块，序列是如何相互分离的，还是一个文件中只有一个序列？@RavinderSingh13谢谢！我希望它更好@JamesBrown这是一个块，序列用“>”分隔-这是序列的header@M.Sobreiro，不，您使用了引号标记。相反，您应该使用
{}
按钮在您的帖子中的代码标签中包装您的代码。非常感谢！它非常有效！Bioawk是一个awk扩展，它处理生物格式的数据。