过滤非起始密码子终止密码子的序列-linux005

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