查找文件中允许一个不匹配的单词之间的匹配项

Posted 2023-02-18

【中文标题】查找文件中允许一个不匹配的单词之间的匹配项

【英文标题】：Finding matches between words in file allowing one mismatch

【发布时间】：2022-01-07 23:11:10

【问题描述】：

我试图在一个文件中找到匹配的单词，允许单词之间存在一个不匹配，我将文件的一部分和我想要获得的预期输出放在这里。

我要解析的文件是这样的：

CTAGGA
TTAGCT
CGTACA
ACAGTG
ACACTG

而我想要得到的输出是这样的：

CTAGGA: CTAGGA
TTAGCT: TTAGCT
CGTACA: CGTACA
ACAGTG: ACAGTG, ACACTG
ACACTG: ACAGTG, ACACTG

输出不需要完全像这样，但可以理解哪些单词有 AGGAC 之类的东西，它们就会匹配。

非常感谢

【问题讨论】：

请添加您尝试过的代码作为您在问题中的努力。在堆栈溢出、欢呼和快乐学习中强烈鼓励提及有问题的努力。

了解Hamming distance

请明确定义什么是不匹配。您的描述模棱两可，有点令人困惑；）

【参考方案1】：

让我们通过解决子问题逐步构建解决方案。

问题一： Levenhstein 距离（编辑距离）。 agrep 是内置的。

agrep -1 "ACATTG" dna.file

问题2：逐行读取文件

#!/bin/bash 
#pass file as argument

while IFS='' read -r LINE || [ -n "$LINE" ]; do
    echo "processing line: $LINE"
done < $1

致电：./script.sh <absolutepathtoyourgenomefile>

问题 3： 将其组合在一起并构建输出。

#!/bin/bash 
#pass file as argument

file=$1

while IFS='' read -r LINE || [ -n "$LINE" ]; do
    echo "$LINE:" $(agrep -1 "$LINE" $file)
done < $file

示例：

输入文件/tmp/genome.txt

CTAGGA
TTAGCT
CGTACA
ACAGTG
ACACTG
TCAGGA
TTAAGG
TTGGAA
TTAGCA
TTGGAA
TTAGGA

运行脚本：

$ ./script.sh /tmp/genome.txt 

CTAGGA: CTAGGA TCAGGA TTAGGA
TTAGCT: TTAGCT TTAGCA
CGTACA: CGTACA
ACAGTG: ACAGTG ACACTG
ACACTG: ACAGTG ACACTG
TCAGGA: CTAGGA TCAGGA TTAGGA
TTAAGG: TTAAGG TTAGGA
TTGGAA: TTGGAA TTGGAA
TTAGCA: TTAGCT TTAGCA TTAGGA
TTGGAA: TTGGAA TTGGAA
TTAGGA: CTAGGA TCAGGA TTGGAA TTAGCA TTGGAA TTAGGA

请注意，“一个不匹配”是高度模棱两可的。您使用什么指标来定义什么是“一个”不匹配？

这能解决你的问题吗？