解决Java逐行读取带有行缩进的fasta文件

在生物信息领域读取fasta文件是重要的序列信息储存载体，分为开头注释和序列信息两部分。在上一篇博客中，小编已经分享了Java读取fasta文件的方法。详情请见：Java逐行读取fasta文件

上面提到的方法是通过逐行读取源文件，因此可以有效区分标签和序列。但是实际使用的时候由于fasta文件的来源网站不同，其源文件中会出现序列带有换行符的情况（如下图，其实每一段序列中间的每一行末尾都有“\n”分隔），这样的情况下用刚刚的代码就不灵了（一段序列会被逐行读取成多段序列）。我们需要进行一些预处理。

---

方法1：利用Linux awk命令预处理fasta文件

我们待处理的目标序列信息存储在sequence.fasta文件中，经过awk处理会生成seq_withoutn.fa文件。而后者则去掉了序列信息中的所有换行符。

awk '!/^>/{printf $0;n ="\n"}/^>/{print n $0; n = ""}END{printf "%s",n}' sequence.fasta > seq_withoutn.fa

这里感谢Kirby_monster提供的思路和技术支持！上述linux命令运行起来非常迅速，awk也是linux系统最常用的文件处理工具之一。但是如果你的手头没有linux服务器，那就有些麻烦，因此小编更推荐第二种方法：改进fasta读取。

---

方法2：改进Java读取fasta文件的方法

我们重新思考之前的方法：Java逐行读取fasta文件会发现如果fasta开头注释部分的获取是没有任何问题的，问题就在于序列信息部分的\n。带有换行符的一条序列会被代码读取为多个序列，并分别存储到内存中。 如何去掉换行符，并且逐行连接左右的序列是解决折叠行问题的关键。最重要的是如果fasta文件里包含了多段序列，拼接的时候还不能和下一段序列搞混。

在这里，小编使用了StringBuilder.append命令，该命令可以逐行拼接序列并且无视掉中间的换行符。同时通过设置“断点”，一旦检测到开头标签信息（带有">"的开头）则会重新清空StringBuilder，从而重新开启下一个序列的逐行拼接。

具体代码如下：

    public static ArrayList<String> BufferedReader2(String path,String choose) {//返回值类型是新建集合大类，此处是Set而非哈希。
        BufferedReader reader;
        ArrayList<String> tag = new java.util.ArrayList<String>();
        ArrayList<String> fasta = new java.util.ArrayList<String>();
        try {
            reader = new BufferedReader(new FileReader(path));
            String line = reader.readLine();
            StringBuilder sb = new StringBuilder();
            while (line != null) {//多次匹配带有“>”的行，\w代表0—9A—Z_a—z，需要转义。\W代表非0—9A—Z_a—z。
                if (line.matches(">[\\w*|\\W*]*")){
                    tag.add(line);
                    //定义字符串变量seq保存删除换行符的序列信息
                    if (sb.length()!=0){
                        String seq = sb.toString();
                        fasta.add(seq);
                        sb.delete(0, sb.length());//清空StringBuilder中全部元素
                    }

                }else{
                    sb.append(line);//重新向StringBuilder添加元素
                }
                // read next line
                line = reader.readLine();
            }
            String seq = sb.toString();
            fasta.add(seq);

            reader.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
        if (choose.equals("tag")){
            return tag;
        }
        return fasta;
    }

使用这段java代码读取fasta文件时就不用再担心序列信息中的换行符问题啦。而且fasta文件中的开头注释信息和序列信息能分别存储到集合“fasta”和集合“tag”之中。方便后继的读取和调用。