linux下，如何从保存多条基因数据的.fa文件中提取特定的一条基因数据？

先描述我的项目内容：

1. 将50bp长的DNA序列进行单次比对（linux环境，算法gapmis已经写好）；
2. 500万个基因序列文件单次比对，会耗费大量I/O时间。为此希望将1万条基因数据保存在一个AT50_1_0.fasta文件中，每一条基因数据单独保存为一行，如下图所示：
3. 依次提取各行数据，并调用比对算法gapmis，输出每一行的比对结果。

---

“将包含一条基因数据的文件依次进行比对，转化成二维数据进行比对”，直接目前存在的问题：

1. linux环境下，是否可以编写c循环程序：对.fa中的文件按行读取？
2. “.fa”文件格式说明：按照“>”标识来界定是否为一条基因数据。如果只有一个“>”，判定只存在一条基因数据；
3. gapsmis程序在linux环境下的比对命令为："./gapsmis -a a.fasta -b b.fasta" （将序列a与序列b进行比对）。换句话说：我们需要修改gapsmis程序接口，将命令中的“文件名”输入形式，转换为“基因字符串”输入形式。

（具体解决思路，等我实现再补充，各位大佬见谅）

---

下面补充一个问题以及解决方案：如何通过基因ID文件从fasta文件中提取特定的基因？

概念介绍：

• .fa文件格式：

     “>基因ID
     基因序列”
  如下图：AT50_0就是基因ID

  

---

解决思路：

• 访问网址http://hgdownload.cse.ucsc.ed...
• 下载faSomeRecords脚本：faSomeRecords.txt
• 将txt后缀删除（这里为了上传方便），拷贝到指定的文件夹，运行命令行：
• $ chmod +x faSomeRecords #赋予文件可执行权限，为Linux系统下执行

• 执行如下命令，进行数据处理

     ./faSomeRecords AT_50_1_a.fasta ID.txt query.fasta 
     #其中AT_50_1_a.fasta是原始的fasta文件，ID.txt列入了需要查找的基因ID，每行一个，query.fasta为输出文件，包含对应ID的序列信息。
  

---

linux操作图：

AT_50_1_a.fasta是原始的fasta文件：

ID.txt列入了需要查找的基因ID：

query.fasta为输出文件：

最终从原始文件提取出基因ID为：AT50_0,AT50_5的基因序列，并将结果保存在query.fasta文件中。

---

注：本文参考科学网陈振玺博客：http://blog.sciencenet.cn/blo... Tanvir Ahamed博士在biostarts中的回复（https://www.biostars.org/p/12...），实际操作后整理所得。