String 使用标准unix工具进行模糊搜索/近似字符串匹配

我正在处理prokka注释文件，这些文件给了我uniprot数据库中一个基因的蛋白质产物。不幸的是，许多基因与多个非常相似的产品名称有关，例如

1%2C2-phenylacetyl-CoA epoxidase%2C subunit A
1%2C2 phenylacetyl-CoA epoxidase%2C subunit A
1%2C2-phenylacetyl CoA epoxidase%2C subunit A
1%2C2-Phenylacetyl CoA Epoxidase%2C subunit A

而这些变体实际上是不同的产品

1%2C2-phenylacetyl-CoA epoxidase%2C subunit A
1%2C2-phenylacetyl-CoA epoxidase%2C subunit B
1%2C2-phenylacetyl-CoA epoxidase%2C subunit C
1%2C2-phenylacetyl-CoA epoxidase%2C subunit E

为了避免在将我的基因映射到它们各自的产物时遇到麻烦，我决定用“@”替换所有可能的歧义和有问题的字符，例如“-”“/”，并将所有字符串放在小写

但是否有一种方法可以搜索，例如

1%2C2-Phenylacetyl CoA Epoxidase%2C subunit A

---

包括可能的、与标准unix工具密切相关的条目，如grep？到目前为止，我还没有找到答案。

如果您想要由字符串距离度量定义的真正的模糊搜索，请检查。 对于您的应用程序，我将使用带有不区分大小写匹配和句点特殊字符的grep

grep -i "1.2C2.phenylacetyl.CoA.epoxidase.2C subunit A" drugNames.txt

---

将匹配句点位置的任何字符，并且不注意大小写，这就是你想要的。

你的意思是说

1%2C2苯乙酰辅酶A环氧化酶%2C亚单位A

和

1%2C2苯乙酰辅酶A环氧化酶%2C亚单位A

是不同的吗？你的要求是精确匹配文件中的字符串

1%2C2苯乙酰辅酶A环氧化酶%2C亚单位A

？第一组4个名称代表相同的名称产品，但与存储在数据库中的略有不同。后4个名称实际上是不同的。我想使用前4个字符串中的一个来查找其他3个版本。希望这对汉克斯有所帮助，我想我会研究一下tre agrep，因为对于不同的查询，我总是需要知道可能的歧义字符是什么