U kunt dit gemakkelijk doen met bioawk, een versie van awk met toegevoegde functies die bio-informatica vergemakkelijken:

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

-c fastx vertelt het programma dat de gegevens moeten worden geparseerd als fasta of fastq formaat . Dit maakt de variabelen $ name en $ seq beschikbaar in de awk-opdrachten.

Het is een goede gewoonte om je FASTA te laten indexeren, zodat je gebruik kunt maken van de .fai die je waarschijnlijk al hebt. Als dit niet het geval is, kunt u de index gewoon genereren met samtools en wat awk gebruiken om uw BED:

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

Hiermee wordt de tabscheiding gehandhaafd, maar je kunt de BEGIN -instructie laten vallen om spaties te gebruiken. De BED-specificatie vereist alleen "witruimte" voor het eenvoudige BED -formaat.

Je zou deze lastige oneliner kunnen aanpassen. Merk op dat het veronderstelt dat reeks-ID's niet langer zijn dan 100 karakters en dat er geen beschrijving staat na de reeks-ID op de kopregel.

  cat myseqs.fasta | awk '$ 0 ~ ">" {print c; c = 0; printf substr ($ 0,2,100) "\ t0 \ t"; } $ 0! ~ ">" {c + = lengte ($ 0);} END {print c; } ' 

Anders biedt elke Bio * -bibliotheek (Perl, Python, Ruby) parsers in FASTA-indeling die reeks-ID's en lengtes extraheren.

Ik zou erop wijzen dat hoewel dit op BED lijkt, is het strikt genomen niet omdat BED wordt toegewezen aan coördinaten op een chromosoom of een object met een langere reeks.

Geïnspireerd door dit antwoord op een gerelateerde vraag over leeslengteverdelingen, zou je dit kunnen doen met Biopython:

  van Bio.SeqIO import parsewith open ("Regions .bed "," w ") als bed: voor record in parse (" Regions.fasta "," fasta "): print (record.id, 0, len (record.seq), sep =" \ t ", file = bed)  

Hier is een benadering met BioPython . De with -instructie zorgt ervoor dat zowel de invoer- als uitvoerbestandshandvatten zijn gesloten en dat er een luie -aanpak wordt gevolgd, zodat er slechts één fasta-record wordt vastgehouden in geheugen per keer in plaats van het hele bestand in het geheugen te lezen, wat een slecht idee is voor grote invoerbestanden. De oplossing gaat niet uit van de lengte van de reeks-ID's of het aantal regels waarover de reeksen zijn verdeeld:

  van Bio import SeqIOwith open ('sequences.fasta') als in_f, open (' sequences.bed ',' w ') as out_f: voor record in SeqIO.parse (in_f,' fasta '): out_f.write (' {} \ t0 \ t {} \ n'.format (record.id, len (record)))  

We hebben veel uitstekende antwoorden! Dit zal een uitstekende referentie zijn voor toekomstige gebruikers.

Ik vond wat ik precies vroeg in mijn vraag:

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

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

Dit is het commando van één regel dat ik vroeg. De andere antwoorden werken ook, maar ik wil mijn eigen antwoord accepteren.

Als de FASTA-reeksen allemaal op één regel staan, dan zou de volgende perl one-liner moeten werken:

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

Uitleg:

• Als de regel begint met een '>', druk dan alles af tot aan de eerste spatie (maar plaats geen regeleinde aan het einde)
• Anders, print "0", gevolgd door de lengte van de regel, gevolgd door een regeleinde