Dotaz: Doporuceni textoveho editoru (GUI) pro Linux zvladajiciho dlouhe radky

[PetebLazar]

Můžete někdo doporučit textový editor (čistě pro ASCII) zvládající dlouhé řádky?

Občas jsou soubory s genetickými informacemi nezalámány (na typickych 80zn/radek) a běžné editory nejsou z několika miliónů znaků na řádce moc nadšeny.

Dekuji.

Odpovědi

[PetebLazar]

Prosim o prehozeni do Linuxove poradny, prekoukl jsem se.

[jejda]

Jak dlouhý řádek si tak představuješ? Teď jsem zkusil geany a ješte při délce deset miliónů znaků na řádek se to jakžtakž hýbe. padesát miliónů znaků v řádku už to načítá dvacet sekund, ale tu už bych řekl že bude na vině spíš velikost souboru. sed by mohl zvládat delší řádky. U nějakého extrémně dlouhého řádku je nouzová možnost do toho souboru ty newlines nasekat programem fold a po editaci je zas vymazat třeba sedem nebo tr.

[PetebLazar]

Jde o genomy bakterií takže se to pohybuje mezi 1,5 až 6 miliony bází DNA (vyjádřených znaky A,C,G,T).

Zkusím to geany, díky za tip.

[X]

Naco to vlastne potrebujes v GUI? Nechces t osnad editovat ze ne?

[PetebLazar]

Editovat ne, jen přečíst.

Ne, jde o to, že občas je třeba vyhledat/vyříznout přibližnou část (okolí) sekvence pro mapping readů sekvenace. Při zalámání genomu do řádků je problém s triviálním vyhledáváním zalomených řetězců.

[jejda]

Na toto by měl stačit grep. Například hledám v souboru string ABCD a zároveň chcu vidět ještě pět znaků před stringem a pět po něm. Něco takového:

grep -o .....ABCD..... soubor.txt

Asi by to šlo napsat líp, ale v regexech docela tápu.

[jejda]

grep -oP .{5}ABCD.{5}

toto funguje taky a je to takové elegantnější jak ďoubat řadu teček.

[PetebLazar]

Jde o to, ze napriklad hledate vyskyt sekvence dlouhe 120 znaku, ktera bude v beznem .fasta souboru obsažena ve dvou 80-ti znakových řádcích.

[jejda]

Jakože ta hledaná sekvence je přes víc řádků? no tak bych ty newlines prostě smazal:

s=ABCD; tr -d '[[:cntrl:]]' < soubor.txt | grep -Eo .{5}$s.{5}

Ale možná jenom nechápu zadání. Taky se mi moc nezdá, naco tam musí být ty znaky před a po sekvenci. Trochu pochybuju že toto nějaký gui editor vůbec umí.

[Jendа]

Taky se mi moc nezdá, naco tam musí být ty znaky před a po sekvenci.

Asi ho zajímá kontext, ale to ten grep přesně vypíše, případně si na to může napsat vlastní jednoduchý skript třeba v Pythonu.

Spíš mě překvapuje, že se hledá přesná shoda, čekal bych, že to bude fuzzy.

[PetebLazar]

Ty genomy, které jsou svou povahou konzervativní mohou vykázat exaktní shodnost i na úsecích stovek tisíc bází.

Pokud se patern vyhledává v samotných readech (dílčí data genomu získaná sekvenací) pak případná jejich individuální odlišnost proti paternu pouze omezí počet dohledaných sekvencí. To zajišťuje tzv. krytí (coverage) jež je vyjádřeno celkovým počtem získaných bází genomu sekvenací děleno předpokládaná délka genomu. Pro přesné metody sekvenace stačí hloubka v desítkách, u méně přesných metod to musí být ještě násobně více. Samozřejmě to vše za předpokladu cca rovnoměrného pokrytí.

[Josef Kufner]

Poslouží v podstatě jakýkoliv hexaeditor. Třeba KHexEdit. Hex část zobrazení vypneš a budeš spokojený.

[Cronin]

Hodne by pomohlo, keby ste sem dali napr. 10 riadkov ako príklad takého súboru a náhodne vybrali sekvenciu z niektorého z tých 10 riadkov, ktorá sa má akože nájsť, aj s prípadným kontextom.

[PetebLazar]

To bylo pouze pro ilustraci, nikoli zadani. Vyhledavat paterny pres vice radku lze napriklad pomoci nastroje pcregrep.

user@debian11:~# cat test.txt
000000000000000000000000000
AAAAAAAAAAAAAAAAAAAAAAAAAA
BBBBBBBBBBBBBBBBBBBBBBBBB
CCCCCCCCCCCCCCCCCCCCCCC
DDDDDDDDDDDDDDDDDDDDD
EEEEEEEEEEEEEEEEEEEE
FFFFFFFFFFFFFFFFFFF

user@debian11:~#  pcregrep -M 'AAA(\n|.)*CCC' test.txt
AAAAAAAAAAAAAAAAAAAAAAAAAA
BBBBBBBBBBBBBBBBBBBBBBBBB
CCCCCCCCCCCCCCCCCCCCCCC

[Cronin]

Ale požiadavka na prehľadávanie cez viac riadkov vznikla iba z toho, že niektoré editory dlhé riadky zalámu, čomu sa opytujúci sa snaží predísť v prvom rade, a to výberom vhodného editora. Ničmenej, každý editor s aspoň trochou sebaúcty má zalamovanie riadkov nejako konfigurovateľné, takže tu vlastne problém nie je.

Problémom môže byť, ako praktické je v editore pracovať so súborom, kde je REáLNA dĺžka riadku a REáLNY počet riadkov. Preto som sa zaujímal o príklad REáLNEHO súboru.

[PetebLazar]

Jde o soubory typu FASTA kde jednotlivé sekvence jsou vzdy oznaceny samostatným radkem ve tvaru >oznaceni_sekvence a na dalsim radku(radcich) pak nasleduje vlastni sekvence například tvořená znaky ACGT. Z některých nástrojů je výstupem sekvence v jediném řádku.

[Cronin]

Skúsme na to ísť od lesa: ktoré editory ste už vyskúšali a prečo Vám nevyhovovali?