01 背景
根据基因组、转录组获取了一些蛋白序列,但是存在可变剪切的情况,即一些序列并没有起始密码子或者终止密码子,这时候要过滤去掉这些序列。即,过滤可变剪切,保留唯一序列。
02 fliter_non_standard_cds.sh
vi fliter_non_standard_cds.sh #创建脚本
#!/bin/bash
input_fasta="XXXe.cds" # 输入文件路径
output_fasta="XXXe.fliter.cds" # 输出文件路径
# 定义起始密码子和终止密码子
start_codon="ATG"
stop_codons=("TAA" "TAG" "TGA")
# 初始化变量
record=""
header=""
sequence=""
# 读取输入FASTA文件并处理
while IFS= read -r line || [[ -n "$line" ]]; do
if [[ $line == ">"* ]]; then
if [[ -n "$sequence" ]]; then
# 检查序列是否以起始密码子开头并以终止密码子结尾
if [[ ${sequence:0:3} == "$start_codon" ]]; then
stop_codon="${sequence: -3}"
if [[ " ${stop_codons[*]} " == *" $stop_codon "* ]]; then
# 写入有效的CDS到输出文件
echo -e "$header\n$sequence" >> "$output_fasta"
fi
fi
fi
# 重置变量
header=$line
sequence=""
else
sequence+=$line
fi
done < "$input_fasta"
# 处理最后一个记录
if [[ -n "$sequence" ]]; then
if [[ ${sequence:0:3} == "$start_codon" ]]; then
stop_codon="${sequence: -3}"
if [[ " ${stop_codons[*]} " == *" $stop_codon "* ]]; then
echo -e "$header\n$sequence" >> "$output_fasta"
fi
fi
fi
03 使用
sh fliter_non_standard_cds.sh #bash运行脚本