所以我想使用带有外显子序列的FASTA文件执行某种复杂的任务，例如：
>MSTRG.1.1_1_30
AAAACGGAGGACCAAGCCGTTTGCCGTACG
>MSTRG.1.1_2_20
CCCGAAGGGCGTTAGTGAGC
>MSTRG.2.1_1_30
ACGGGAGCGTTGTCGACCGGTTGCGAGCGT
>MSTRG.2.1_2_10
AACGGGACCT
>MSTRG.2.1_3_15
AACGTTTGCGTCTCT
可以看出，我有两个成绩单，分别是MSTRG.1.1和MSTRG.2.1。第一个成绩单有两个外显子，第一个叫MSTRG.1.1_1_30，长度为30个字母。第二个外显子（片段）有20个字母。相反，另一笔成绩单有三个外显子，每个外显子分别有30、10和15个字母。
笔录更多，外显子超过3个，最多或多或少最多20个。
如您所见，字母序列的标识符由脚本“ MSTRG.X.X”的名称，外显子的编号和字符串的长度组成。
我要实现的目标如下：
>MSTRG.1.1_1_2
AAAACGGAGGACCAAGCCGTTTGCCGTACGNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNCCCGAAGGGCGTTAGTGAGC
>MSTRG.2.1_1_2
ACGGGAGCGTTGTCGACCGGTTGCGAGCGTNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNAACGGGACCT
>MSTRG.2.1_2_3
AACGGGACCTNNNNNNNNNNNNNNNNAACGTTTGCGTCTCT
一些解释：
我想将同一笔成绩单中的所有连续外显子合并在一起，因此，对于笔录1，由于有两个外显子，只有结合外显子1和2产生的一个合并序列。对于笔录2，结果将是两个组合，外显子1和外显子。在存在更多外显子的情况下，可以得到2个，外显子2和3等，以得到n-1个组合，其中n是外显子的数目。
除此之外，我想在两个组合外显子之间引入一串Ns，其长度等于合并对中最长的外显子+1。说，在第一种情况下，在外显子1和2之间引入一串31 Ns。在第二种情况下，在外显子1和2之间引入31 Ns的字符串，在外显子2和3之间引入16 Ns的字符串。
这基本上是我的主要且棘手的任务。有谁知道或提出基于Python，BASH，AWK，R，Perl或类似版本的解决方案？
我一直在试图解决这个问题，但是在合并它们的同时，我无法达成一个很好的通用解决方案：
非常感谢。
最佳答案
Perl解决方案：
#!/usr/bin/perl
use warnings;
use strict;
use feature qw{ say };
my $transcript;
my $part;
my $exon;
while (<>) {
chomp;
if (/^>(.*?\.[0-9]+\.[0-9]+)_([0-9]+)/) {
my ($new_transcript, $new_part) = ($1, $2);
if ($transcript && $transcript eq $new_transcript) {
say ">$transcript\_$part\_$new_part";
} else {
undef $exon;
}
$transcript = $new_transcript;
$part = $new_part;
} else {
my $new_exon = $_;
if ($exon) {
my $max_length = length $exon;
$max_length = length $new_exon if length $new_exon > $max_length;
say $exon, 'N' x ++$max_length, $new_exon;
}
$exon = $new_exon;
}
}
它逐行读取文件。最后处理的笔录ID及其部分（以及上一个外显子）也存储在变量中。如果遇到标题，则检查是否有新的成绩单开始。如果是，我们可以忘记上一个外显子，否则我们将打印包含成绩单，上一个部分和实际部分的标题。
如果我们阅读外显子行，如果有一个外显子要打印（这意味着我们不在成绩单的第一部分），我们将检查新旧外显子的长度，选择较长的外显子，然后输出外显子和N的。然后，我们应该记住外显子，以便进一步处理，如果随后是同一笔录的另一部分。