6

¿Cómo se puede leer una cadena de texto, leyendo sus caracteres de tres en tres?

Concretamente busco leer los trinucleótidos de una secuencia de ADN, y poder contar cuantos hay.

Sea una cadena:

AAGACAGAGTAGACAAGTACAGTAGACAGATGACGGGTAGCAT

me gustaría dividirla en

AAG
ACA
GAG
...

Pero el problema es que no tengo un delimitador para utilizar el comando cut.

¿Cómo podría solucionarlo?

El lenguaje de programación que uso es Bash.

He intentado los siguiente:

#!/bin/bash
a=$(cat $1|wc -m)
b=$(cat $1)
for ((i=0;i<$a;i=i+3));do
        echo ${b:i:(i+3)}
done

Pero me imprime desde tres hasta el final toda la cadena, no de tres en tres. El argumento $1 es un archivo que contiene la secuencia ADN.

0

3 respuestas 3

4

El tercer parámetro de la expansión es la longitud del recorte y no la posición final de éste. Puedes consultarlo en la ayuda con man bash:

${parameter:offset:length}

Substring Expansion. Expands to up to length characters of parameter starting at the character specified by offset. If length is omitted, expands to the substring of parameter starting at the character specified by offset. length and offset are arithmetic expressions (see ARITHMETIC EVALUATION below).

En castellano:

${parámetro:inicio:longitud}

Expansión de Subcadena. Expande hasta longitud caracteres de la cadena parámetro comenzando por el carácter cuya posición está especificada por inicio. Si se omite longitud, expande a la subcadena de parámetro comenzando en el carácter especificado por inicio hasta el final. longitud e inicio son expresiones aritméticas (ver EVALUACIÓN ARITMÉTICA más abajo).

Por lo que tu código quedaría:

#!/bin/bash
a=$(cat $1|wc -m)
b=$(cat $1)
for ((i=0;i<$a;i=i+3));do
   echo ${b:i:3}
done

Si lo que quieres es contar los trinucleótidos, podría bastarte con calcular ($a + 2) / 3:

#!/bin/bash
b=$(<"$1")
a=${#b}
echo "Número de trinucleótidos: $(((a + 2) / 3))"
for ((i=0; i<$a; i=i+3))
do
    echo ${b:i:3}
done

Quiero resaltar el uso de $(<"$1") para cargar el contenido de un archivo en una variable (entre comillas para dar soporte a archivos con espacios en blanco) y el de ${#b} para obtener la longitud de una variable.


Si únicamente te interesa el cálculo del número y en ningún momento te interesa mostrar su contenido, entonces es mejor hacer:

#!/bin/bash
NUM=$(wc -c < "$1")
echo "Número de trinucleótidos: $(((NUM + 2) / 3))"

O, de manera reducida, $((( $(wc -c < "$1") + 2) / 3)).

Notar el uso de wc -c < [archivo] para evitar que aparezca el nombre del archivo junto con el resultado de la cuenta.

Hay que tener en cuenta que wc -m es mucho más lento que wc -c en archivos muy grandes porque no requiere leer su contenido para contar caracteres multibyte. Una letra ñ es un carácter, pero ocupa dos bytes en un archivo codificado en UTF-8.

Además habría que tener en cuenta que ambos (-m y -c) contarían todos los avances de línea (\n) si los hubiera.

2

Utiliza grep para que recorte la cadena en bloques de tres:

$ echo "123456789" | grep -o '...'
123
456
789

Como . coincide con cualquier caráter, la expresión regular ... coincide con tres caracteres. Usando la señal -o de grep conseguimos que cada resultado se muestre en una línea diferente, por lo que luego puedes hacer lo que quieras con ello: contar líneas, sumar...

También incluso puedes decir lo siguiente, utilizando la process substition para hacer como si leyeras un fichero línea a línea:

while IFS= read -r tri; do
    echo "--- $tri"
done < <(grep -o '...' <<< "123456789")

Y así poder trabajar con cada trinucleótido en cada iteración:

$ while IFS= read -r tri; do echo "-- $tri"; done < <(grep -o '...' <<< "123456789")
-- 123
-- 456
-- 789

En tu caso:

$ echo "AAGACAGAGTAGACAAGTACAGTAGACAGATGACGGGTAGCAT" | grep -o '...'
AAG
ACA
GAG
TAG
ACA
AGT
ACA
GTA
GAC
AGA
TGA
CGG
GTA
GCA
0
2

Puedes usar sed o awk

Con sed.

$ sed -r 's/(.{3})/\1\n/g' <<< "abcdefghi"

Aquí la expresión regular hace match con cada tres caracteres (.{3}) y luego, a ese grupo, le añade un salto de línea \1\n.

Con awk.

$ awk -v FS="" '{
    for (i=1; i<=length($0); i++) {
        printf $i
        if (i % 3 == 0)
            printf "\n"
    }
}' <<< "abcdefghi"

Donde se redefine el field separator a nada para que itere sobre caracteres. Y, durante el loop, cada número de caracter módulo 3, imprime un salto de línea.

En tu caso, usando la secuencia de bases nitrogenadas que mostraste.

$ awk -v FS="" '{
    for (i=1; i<=length($0); i++) {
        printf $i
        if (i % 3 == 0)
            printf "\n"
    }
}' <<< "AAGACAGAGTAGACAAGTACAGTAGACAGATGACGGGTAGCAT"
AAG
ACA
GAG
TAG
ACA
AGT
ACA
GTA
GAC
AGA
TGA
CGG
GTA
GCA
T

Parece que al final de lo que ingresaste "sobró" una timina.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.