#CD-HITとは
・配列クラスタリングプログラム(http://weizhongli-lab.org/cd-hit/)
###入力ファイル形式
・クラスタリングを実行させたい配列ファイルをFASTA形式で入力
###出力ファイル形式
２種類
・クラスタリング実行後のFASTAファイル
・クラスター番号付きの.clstrファイル
#問題
clstrファイルが扱いづらい。BLAST(https://blast.ncbi.nlm.nih.gov/Blast.cgi )の出力ファイルも同様。
→BED形式にしてBEDTools(https://bedtools.readthedocs.io/en/latest/ )を駆使したい。
つまり、csplitコマンド（https://linuxcommand.net/csplit/ ）などでクラスターごとに分割後の、
hogehoge_clstr0.clstr
>Cluster 0
0 570nt, >chr1:7662318-7662888... at -/95.96%
1 178nt, >chr1:45648847-45649025... at +/99.44%
2 623nt, >chr1:51329409-51330032... at -/97.11%
3 187nt, >chr1:58841900-58842087... at -/98.40%
4 180nt, >chr1:60684077-60684257... at -/98.89%
5 629nt, >chr1:61108647-61109276... at +/96.98%
6 218nt, >chr1:61241171-61241389... at -/95.41%
7 748nt, >chr1:65918300-65919048... at -/96.79%
8 393nt, >chr1:67547311-67547704... at -/96.95%
これを
hogehoge_clstr0.bed
chr1 7662318 7662888
chr1 45648847 45649025
chr1 51329409 51330032
chr1 58841900 58842087
chr1 60684077 60684257
chr1 61108647 61109276
chr1 61241171 61241389
chr1 65918300 65919048
chr1 67547311 67547704
こうしたい。
#解決法
今回はCD-HIT出力のヒトの常染色体のみを前提にしてるけど、
grepの正規表現をお好きなようにすれば生物種問わずBLASTにも対応できる。
grep -oでは正規表現にマッチした部分のみ抽出する。これを利用する。
bash
cat hogehoge_clstr0.clstr | grep -o '[0-9]\+:[0-9]\+-[0-9]\+' | tr ':-' '\t' | sort -k1,1n -k2,2n | awk '{print "chr"$0}' > hogehoge_clstr0.bed
シェルは偉大なり。
以上。