Voit tehdä tämän helposti bioawk -sovelluksella, joka on awk-versio, johon on lisätty bioinformatiikkaa helpottavia ominaisuuksia:

  bioawk -c fastx '{print $ name " \ t0 \ t "length ($ seq)} 'test.fa  

-c fastx kertoo ohjelmalle, että tiedot tulisi jäsentää fasta- tai fastq-muodossa . Tämä tekee muuttujat $ name ja $ seq käytettävissä awk-komennoissa.

On hyvä käytäntö, että FASTA indeksoidaan, joten voit hyödyntää todennäköisesti .fai -tunnusta. Jos ei, voit vain luoda hakemiston samtools -toiminnolla ja tehdä jonkin awk -toiminnolla BED:

  samtools faidx $ fastaawk 'ALKU {FS = "\ t"}; {print $ 1 FS "0" FS $ 2} '$ fasta.fai > $ fasta.bed  

Tämä ylläpitää välilehtien erottelua, mutta voit pudottaa BEGIN -käskyn käyttää välilyöntejä. BED spec vaatii vain välilyönnin yksinkertaiselle BED -muodolle.

Voisit mukauttaa tämän awk yhden linjan. Huomaa, että siinä oletetaan, että sekvenssitunnukset eivät ole yli 100 merkkiä ja että otsikkorivillä ei ole sekvenssitunnusta seuraavaa kuvausta.

  cat myseqs.fasta | awk '$ 0 ~ ">" {tulosta c; c = 0; printf-substraatti (0,2 100 dollaria) "\ t0 \ t"; } $ 0! ~ ">" {c + = pituus ($ 0);} END {tulosta c; } ' 

Muussa tapauksessa mikä tahansa Bio * -kirjasto (Perl, Python, Ruby) tarjoaa FASTA-muotoisia jäsentimiä, jotka purkavat sekvenssitunnukset ja pituudet.

Huomautan vaikka tämä muistuttaa BED: ää, se ei tarkkaan ottaen ole, koska BED kartoittaa koordinaatteja kromosomissa tai jossakin pidemmän sekvenssin objektissa.

tämän vastauksen innoittamana aiheeseen liittyvään lukupituuden jakaumaa koskevaan kysymykseen voit tehdä tämän Biopythonilla:

  Bio.SeqIO-tuontitiedostosta avoimen kanssa ("alueet .bed "," w ") sängynä: jäsennettäväksi tietueeksi (" region.fasta "," fasta "): print (record.id, 0, len (record.seq), sep =" \ t ", tiedosto = vuode)  

Tässä on lähestymistapa BioPython -ohjelmalla. with -lauseke varmistaa, että sekä syöttö- että ulostulotiedostojen kahvat on suljettu ja laiska -tapa lähestytään siten, että vain yksi fasta-tietue pidetään muistia kerrallaan, sen sijaan että lukisit koko tiedostoa muistiin, mikä on huono idea suurille syötetiedostoille. Ratkaisu ei tee oletuksia sekvenssitunnusten pituuksista tai rivien lukumäärästä, jolle sekvenssit ovat jakautuneet:

  Bio import SeqIO: sta, kun open ('sekvenssit.fasta') muodossa sekvenssit.bed ',' w ') muodossa out_f: tallentamiseen SeqIO.parse-tiedostoon (in_f,' fasta '): out_f.write (' {} \ t0 \ t {} \ n'.format (record.id, len (tallenna)))  

Meillä on monia erinomaisia ​​vastauksia! Tämä on erinomainen viite tuleville käyttäjille.

Löysin mitä kysyin kysymyksestäni:

https: //www.biostars. org / p / 191052 /

  $ pip install pyfaidx $ faidx --transform bed test.fasta > test.bed  

Tämä on yhden rivin komento, jota pyysin. Myös muut vastaukset toimivat, mutta haluan hyväksyä oman vastaukseni.

Jos FASTA-sekvenssit ovat kaikki yhdellä rivillä, seuraavan perlin yhden linjan tulisi toimia:

  cat myseqs.fasta | perl -ne 'if (/ ^ > ([^] +) /) {print $ 1} else {tulosta "0", pituus, "\ n"}'  

Selitys:

• Jos rivi alkaa merkillä '>', tulosta kaikki ensimmäiseen väliin asti (mutta älä laita rivinvaihtoa loppuun)
• Muussa tapauksessa tulosta "0", jota seuraa viivan pituus, jota seuraa rivinvaihto