Du kan göra det enkelt med bioawk, som är en version av awk med tillagda funktioner som underlättar bioinformatik:

  bioawk -c fastx '{print $ name " \ t0 \ t "längd ($ seq)} 'test.fa  

-c fastx säger till programmet att data ska analyseras som fasta- eller fastq-format . Detta gör variablerna $ name och $ seq tillgängliga i awk-kommandon.

Det är bra praxis att ha din FASTA indexerad så att du kan använda .fai som du sannolikt redan har. Om inte, kan du bara skapa indexet med samtools och använda lite awk för att skapa din BED:

  samtools faidx $ fastaawk 'BEGIN {FS = "\ t"}; {skriv ut $ 1 FS "0" FS $ 2} '$ fasta.fai > $ fasta.bed  

Detta bibehåller flikseparationen men du kan släppa BEGIN uttalandet att använda mellanslag. BED-specifikationen kräver endast "blanksteg" för det enkla BED -formatet.

Du kan anpassa det här awk one-liner. Observera att det antas att sekvens-ID: n inte är längre än 100 tecken och att det inte finns någon beskrivning som följer sekvens-ID: n på rubrikraden.

  cat myseqs.fasta | awk '$ 0 ~ ">" {tryck c; c = 0; printf substr ($ 0,2100) "\ t0 \ t"; } $ 0! ~ ">" {c + = längd ($ 0);} SLUT {print c; } ' 

Annars tillhandahåller alla Bio * -bibliotek (Perl, Python, Ruby) FASTA-format parsers som extraherar sekvens-ID och längder.

Jag skulle påpeka att även om detta liknar BED så är det inte strängt taget, eftersom BED kartlägger till koordinater på en kromosom eller något längre sekvensobjekt.

Inspirerad av detta svar på en relaterad fråga om läslängdsdistributioner kan du göra detta med Biopython:

  från Bio.SeqIO import parsmed öppna ("regioner .bädd "," w ") som säng: för post i parse (" regions.fasta "," fasta "): print (record.id, 0, len (record.seq), sep =" \ t ", fil = säng)  

Här är ett tillvägagångssätt med BioPython . Uttrycket med säkerställer att både inmatnings- och utdatafilhandtagen stängs och en lat metod tas så att endast en enda fasta-post hålls i minne åt gången, snarare än att läsa hela filen i minnet, vilket är en dålig idé för stora inmatningsfiler. Lösningen gör inga antaganden om sekvens-ID-längderna eller antalet rader som sekvenserna är spridda över:

  från Bioimport SeqIOwith open ('sequences.fasta') som in_f, open (' sequences.bed ',' w ') som out_f: för post i SeqIO.parse (in_f,' fasta '): out_f.write (' {} \ t0 \ t {} \ n'.format (record.id, len (post)))  

Vi har många utmärkta svar! Detta kommer att vara en utmärkt referens för framtida användare.

Jag hittade exakt vad jag frågade i min fråga:

https: //www.biostars. org / p / 191052 /

  $ pip install pyfaidx $ faidx --transform bed test.fasta > test.bed  

Detta är det enradiga kommandot jag frågade. De andra svaren fungerar också, men jag vill acceptera mitt eget svar.

Om FASTA-sekvenserna är på en enda rad, ska följande perl one-liner fungera:

  cat myseqs.fasta | perl -ne 'if (/ ^ > ([^] +) /) {print $ 1} else {print "0", length, "\ n"}'  

Förklaring:

• Om raden börjar med ett '>', skriv ut allt upp till första mellanslaget (men lägg inte till ett radbryt i slutet) "0", följt av radens längd, följt av en radbrytning