Ejemplos generales y con enfoque en Bioinformática
Contenido
Ejemplos generales y con enfoque en Bioinformática¶
En esta parte veremos algunos ejemplos generales y otros con enfoque en Bioinformática aplicando las estructuras y sintaxis de AWK.
Advertencia
En este tutorial usaremos la herramienta gawk, que viene instalada por defecto en la mayoría de distribuciones de GNU/Linux. Puede que algunos de los comandos usados con esta herramienta no sean compatibles con otras versiones del programa usadas en MacOS, por lo que les recomendamos instalar gawk usando el gestor de paquetes brew, cuyas indicaciones de instalación se encuentran en el siguiente link.
Archivos para este tutorial¶
En este tutorial usaremos algunos de los archivos que se encuentra en este la carpeta _archivos del repositorio de GitHub de este libro.. En todos los ejercicios asumiremos que están trabajando dentro de la carpeta _archivos, por lo que no usamos ningún path relativo para trabajar con los archivos.
Ejemplos de scripts de AWK solo con patrones¶
Utilizando la estructura de scripts de AWK solo con patrones, su funcionamiento es similar al comando grep, que vimos en un tema anterior.
Por ejemplo, si queremos imprimir todos los headers de las secuencias del archivo sul_genomas.fasta con AWK podemos usar el siguiente comando:
$ gawk '/>/' sul_genomas.fasta
Por otra parte, si queremos imprimir las líneas que contienen información del aminoácido CYS del archivo 3c5x.pdb con AWK, usaríamos el siguiente comando:
$ gawk '/CYS/' 3c5x.pdb
En el resultado del comando anterior se observa se imprimen líneas que no corresponden a la información de las coordenadas de los átomos, que sería lo deseado. Para obtener la información solamente de los átomos podemos modificar la regex de la siguiente forma:
$ gawk '/^ATOM.*CYS/' 3c5x.pdb
En lugar de patrones, también se pueden definir operaciones lógicas con las variables internas de AWK. Por ejemplo, para imprimir la línea 1000 del archivo 3c5x.pdb podemos usar el siguiente comando:
$ gawk 'NR == 1000' 3c5x.pdb
O si queremos imprimir las líneas del archivo sul_genomas.fasta que tengan más de 3 espacios funcionaría el siguiente comando:
$ gawk 'NF > 3' sul_genomas.fasta
Además, podemos usar un comando de AWK añadiendo algunos operadores OR para eliminar la información extra de un archivo pdb, como 3c5x.pdb, de la siguiqnete forma:
$ gawk '$1=="ATOM" || $1=="HETATM" || $1=="TER" || $1=="END"' 3c5x.pdb > 3c5x_clean.pdb
Ejemplos de scripts de AWK solo con acciones¶
También es posible definir un script de AWK solamente con acciones. Por ejemplo, podemos escribir el típico script de Hola mundo en AWK de la siguiente forma:
Nota
Para ver el resultado debes pulsar la tecla Enter, y para terminar la ejecución Ctrl+C`.
$ gawk '{print "Hola mundo!"}'
Ahora les presentamos un ejemplo de piping usando el comando echo y AWK:
$ echo "Hola Sebastián" | awk '{$2="reemplaza aquí tu nombre"; print $0}'
Para imprimir todas las líneas del archivo secuencia1.fasta con información del nombre de archivo, registro y número de registro, se puede usar el siguiente comando:
$ gawk '{print FILENAME, $0, NR}' secuencia1.fasta
Finalmente, les presentamos un ejemplo para conocer la ubicación de todas las cuentas de usuario registradas en su SO, información disponible en el archivo /etc/passwd:
Nota
El archivo /etc/passwd está disponible en SO GNU/Linux, por lo que es posible que para usuarios de MacOS el comando no funcione.
$ gawk -F: '{print $1 " home at " $6}' /etc/passwd
Ejemplos de scripts de AWK con patrones, acciones y bloques BEGIN¶
Otra forma de imprimir la información de los headers de las secuencias del archivo sul_genomas.fasta con AWK sería especificando el separador de registros (RS) en un bloque BEGIN, de la siguiente forma:
$ gawk 'BEGIN {RS=">"} {print $1, $2, NR}' sul_genomas.fasta
De esta forma, podemos trabajar de forma más eficiente con la información de este archivo. Por ejemplo, para imprimir el ID de la cepa OLIH de Candidatus Sulcia muelleri podría usar los siguientes comandos:
$ gawk 'BEGIN{RS=">"} /OLIH/ {print $1}' sul_genomas.fasta
$ gawk 'BEGIN{RS=">"} $6 == "OLIH" {print $1}' sul_genomas.fasta
Por otra parte, si quisiera obtener la secuencia solamente de la cepa TETUND de Candidatus Sulcia muelleri se aplicaría el siguiente comando:
$ gawk 'BEGIN{RS=">"} $6 =="TETUND," {print $0}' sul_genomas.fasta
Ahora, si queremos verifIcar el número de veces que se repite el motivo CXXXAAA en la secuencia de la cepa OLIH de Candidatus Sulcia muelleri podemos usar el siguiente comando:
$ gawk 'BEGIN{RS=">"} $6 == "OLIH"' sul_genomas.fasta | gawk '/C...AAA/{x++}END{print x}'
Y si queremos conocer el número de línea y los nucleótidos de las líneas que coinciden con el motivo CXXXAAA, usamos el siguiente código:
$ gawk 'BEGIN{RS=">"} $6 == "OLIH"' sul_genomas.fasta | gawk '/C...AAA/{print NR, $0}'
También podemos especificar los caracteres ATOM como separador de registros para imprimir información específica sobre los átomos del archivo 3c5x.pdb:
$ gawk 'BEGIN {RS="ATOM"} {print $1, $2, NR}' 3c5x.pdb
Por ejemplo, para imprimir el nombre del aminoácido, la cadena proteica, y la inicial del elemento de todos los átomos del archivo 3c5x.pdb, podemos usar el siguiente código:
$ gawk 'BEGIN {RS="ATOM"} {print $3, $4, $11}' 3c5x.pdb
Ejemplos de scripts de AWK con patrones, acciones, y bloques BEGIN y END¶
Para determinar la longitud de una secuencia de nucleótidos con AWK, a partir de un string escrito con el comando echo, podemos usar el siguiente comando:
$ echo 'atattGAATTCTAGCACATACTAACGGACC' | awk 'END{print $0, "tiene", length($0), "nt de longitud"}'
Podemos usar una idea similar para determinar el tamaño de la secuencia de la cepa OLIH de Candidatus Sulcia muelleri del archivo sul_genomas.fasta:
$ gawk 'BEGIN{RS=">"} $6 == "OLIH"' sul_genomas.fasta | sed '1d' | gawk '{sum=sum+length($0)} END{print "Secuencia de cepa OLIH de Candidatus Sulcia muelleri tiene", sum, "nt de longitud"}'
Además, podemos usar un comando de AWK para verificar el número de procesadores de nuestra computadora, usando la información del archivo /proc/cpuinfo, de la siguiente forma:
Nota
El archivo /proc/cpuinfo está disponible en SO GNU/Linux, por lo que es posible que para usuarios de MacOS este comando no funcione.
$ gawk '/^processor/ {n++} END{ print "Esta computadora tiene", n, "procesadores"}' /proc/cpuinfo
Nota importante
En los ejemplos presentados en este capítulo no usamos algunas estructuras de programación importantes como condicionales, bucles, y funciones, ya que esto lo veremos en detalle en el tema de Bash. Luego de revisar los temas de estructuras de programación en Bash ustedes podrán aplicarlos sin problemas en AWK.
Material suplementario¶
La mayoría de los contenidos de esta parte se obtuvieron de la documentación oficial de GNU, que pueden acceder en el siguiente link y del manual del Curso avanzado de programación AWK y Bash para bioinformática y biocómputo en sistemas GNU/Linux del profesor Pablo Vinuesa de la UNAM, que pueden encontrar en este link.