如何在bash中从簇文件中提取ID中包含特定字符串的序列簇号？

Question

我有一个以 100% 序列同一性进行序列聚类的聚类文件，每个包含序列聚类，用聚类编号后跟 ID 表示。以下是文件格式的示例：

>Cluster 107
0       410aa, >TRINITY_DN9528_c0_g1_i1_30... *
1       410aa, >TRINITY_DN9528_c0_g1_i2_36... at 100.00%
2       404aa, >crgi_XP_011414097.1... at 100.00%
>Cluster 108
0       410aa, >TRINITY_DN11082_c0_g1_i1_69... *
1       410aa, >TRINITY_DN11082_c0_g1_i2_69... at 100.00%
>Cluster 109
0       410aa, >crgi_XP_011450995.2... *
>Cluster 110
0       407aa, >TRINITY_DN4674_c0_g1_i3_24... *

我想编写一个bash脚本，它可以提取ID中包含特定字符串的簇，但前提是该簇除了具有指定字符串的序列之外还有其他序列。例如，如果我输入字符串“crgi”，脚本应该只获取 ID 中包含该字符串的集群，但如果它是集群中唯一的序列，则不会。

这是输入字符串“crgi”的预期输出示例：

Clusters in file1.ids containing 'crgi':
107

我尝试过使用 grep、awk 和 cut，但在有效提取所需的簇时遇到困难。

有人可以指导如何编写这样的 bash 脚本来有效地完成此任务吗？任何帮助将不胜感激！谢谢。

我尝试过以下脚本，但它不起作用：

#!/bin/bash

# Define the search string
search_string="crgi"

# Loop through each file
for file in *.ids; do
    # Extract cluster numbers containing the search string
    clusters=$(awk -v search="$search_string" '$0 ~ search {print $1}' "$file")

    # Initialize a flag for presence of other sequences
    other_sequences_found=false

    # Check if clusters contain other sequences
    while read -r cluster; do
        # Check if the cluster contains other sequences besides the search string
        if [ "$(grep -c ">$search_string" "$file")" -gt 1 ]; then
            other_sequences_found=true
            break
        fi
    done <<< "$clusters"

    # If other sequences found, print the cluster numbers
    if [ "$other_sequences_found" = true ]; then
        echo "Clusters in $file containing '$search_string':"
        echo "$clusters"
        echo
    fi
done

Answer 1

从示例文件中可以清楚地看出，您只需要检查第一列是否大于 0，如下所示：

$ awk '/crgi/{if ($1>1) {print $0}}' test.file
2       404aa, >crgi_XP_011414097.1... at 100.00%