Grep, который допускает несоответствия подмножеству.fastq

Question

Я работаю с Bash на кластере Linux. Я пытаюсь извлечь чтения из файла.fastq, если они содержат совпадение с запрашиваемой последовательностью. Ниже приведен пример файла.fastq, содержащий три чтения.

$ cat example.fastq

@SRR1111111.1 1/1
CTGGANAAGTGAAATAATATAAATTTTTCCACTATTGAATAAAAGCAACTTAAATTTTCTAAGTCG
+
AAAAA#EEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEA<AAEEEEE<6
@SRR1111111.2 2/1
CTATANTATTCTATATTTATTCTAGATAAAAGCATTCTATATTTAGCATATGTCTAGCAAAAAAAA
+
AAAAA#EE6EEEEEEEEEEEEAAEEAEEEEEEEEEEEE/EAE/EAE/EA/EAEAAAE//EEAEAA6
@SRR1111111.3 3/1
CTATANTATTGAAATAATAATGTAGATAAAACTATTGAATAACAGCAACTTAAATTTTCAATAAGA
+
AAAAA#EE6EEEEEEEEEEEEAAEEAEEEEEEEEEEEE/EAE/EAE/EA/EAEAAAE//EEAEAA6

Я хотел бы извлечь чтения, содержащие последовательность GAAATAATA. Я могу выполнить это извлечение, используя grep, как показано в следующей команде.

$ grep -F -B 1 -A 2 "GAAATAATA" example.fastq > MATCH.fastq

$ cat MATCH.fastq

@SRR1111111.1 1/1
CTGGANAAGTGAAATAATATAAATTTTTCCACTATTGAATAAAAGCAACTTAAATTTTCTAAGTCG
+
AAAAA#EEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEA<AAEEEEE<6
@SRR1111111.3 3/1
CTATANTATTGAAATAATAATGTAGATAAAACTATTGAATAACAGCAACTTAAATTTTCAATAAGA
+
AAAAA#EE6EEEEEEEEEEEEAAEEAEEEEEEEEEEEE/EAE/EAE/EA/EAEAAAE//EEAEAA6

Однако эта стратегия не терпит никаких несоответствий. Например, чтение, содержащее последовательность GAAATG ATA, будет проигнорировано. Мне нужно это извлечение, чтобы допустить одно несоответствие в любой позиции в запрашиваемой последовательности. Итак, мой вопрос: как мне этого добиться? Существует ли пакет выравнивания последовательностей с аналогичной функциональностью для grep? Есть ли какие-либо пакеты поднабора fastq, которые выполняют этот тип операции? Одно замечание, что скорость очень важна. Спасибо за ваше руководство.

Answer 1

Вот решение с использованием agrep чтобы получить номера записей совпадений и awk, который выводит эти записи с некоторым контекстом (из-за отсутствия -Aа также -B в agrep):

$ agrep -1 -n  "GAAATGATA" file | 
  awk -F: 'NR==FNR{for(i=($1-1);i<=($1+2);i++)a[i];next}FNR in a' - file

Выход:

@SRR1111111.1 1/1
CTGGANAAGTGAAATAATATAAATTTTTCCACTATTGAATAAAAGCAACTTAAATTTTCTAAGTCG
+
AAAAA#EEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEA<AAEEEEE<6
@SRR1111111.3 3/1
CTATANTATTGAAATAATAATGTAGATAAAACTATTGAATAACAGCAACTTAAATTTTCAATAAGA
+
AAAAA#EE6EEEEEEEEEEEEAAEEAEEEEEEEEEEEE/EAE/EAE/EA/EAEAAAE//EEAEAA6

Answer 2

Это должно работать, но IDK, если MATCH.fastq в вашем вопросе ожидаемый результат или нет, или даже если ваш пример ввода содержит какие-либо случаи, которые нуждаются в рабочем решении, чтобы найти, если он на самом деле работает или нет:

$ cat tst.awk
BEGIN {
    for (i=1; i<=length(seq); i++) {
        regexp = regexp sep substr(seq,1,i-1) "." substr(seq,i+1)
        sep = "|"
    }
}
{ rec = rec $0 ORS }
!(NR % 4) {
    if (rec ~ regexp) {
        printf "%s", rec
    }
    rec = ""
}

$ awk -v seq='GAAATAATA' -f tst.awk example.fastq
@SRR1111111.1 1/1
CTGGANAAGTGAAATAATATAAATTTTTCCACTATTGAATAAAAGCAACTTAAATTTTCTAAGTCG
+
AAAAA#EEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEA<AAEEEEE<6
@SRR1111111.3 3/1
CTATANTATTGAAATAATAATGTAGATAAAACTATTGAATAACAGCAACTTAAATTTTCAATAAGA
+
AAAAA#EE6EEEEEEEEEEEEAAEEAEEEEEEEEEEEE/EAE/EAE/EA/EAEAAAE//EEAEAA6

Answer 3

Вы можете попробовать файл шаблонов -

$: cat GAAATAATA
.AAATAATA
G.AATAATA
GA.ATAATA
GAA.TAATA
GAAA.AATA
GAAAT.ATA
GAAATA.TA
GAAATAA.A
GAAATAAT.

затем

grep -B 1 -A 2 -f GAAATAATA example.fastq > MATCH.fastq

но это, вероятно, немного замедлит процесс, добавляя как полный анализ регулярных выражений, так и альтернативный шаблон для каждого возможного отдельного изменения...

отвечая на вопрос в комментариях:

Для данного значения $word, такие как word=GAAATAATA,

awk '{
  for ( i=1; i<=length($0); i++ ) {
     split($0,tmp,""); tmp[i]=".";
     for ( n=1; n<=length($0); n++ ) { printf tmp[n]; }
     printf "\n";
  }
}' <<< "$word" > "$word"

Это создаст этот конкретный файл. Надеюсь, это поможет, но помните, что это будет намного медленнее, так как вы теперь используете регулярные выражения вместо простого сопоставления простых строк, и вы вводите целый ряд альтернативных шаблонов для сопоставления...