以Synechococcus elongatus UTEX 2973（accession no.为GCA_000817325.1）为例。
1.统计其中染色体序列(CP006471.1)前10kb有几个基因（gene)。
要求：只能使用一行shell命令。
我将它们重新排列了以下，就会更清晰
命令如下：
grep '^CP006471.1' GCA_000817325.1_ASM81732v1_genomic.gff |awk -v FS='\t' -v OFS='\t' '{if($5<=10000){print $5}}'|sort|uniq|wc -l
（1）grep '^CP006471.1'
grep在文件中提取符合条件的行
^表示截取的内容的绝对起始，即以^CP006471.1作为绝对开头
（2）awk
截取符合条件的列。先读取第一行，然后再进行处理，截取符合条件的列。
FS和OFS都是awk的内置变量。FS是指定awk截取字段的分隔符，默认是空格，是输入字段分隔符；OFS是输出字段分隔符，默认值与输入字段分隔符一致。
-F相当于内置变量FS，指定分隔字符，所以代码还可以写为：
grep '^CP006471.1' GCA_000817325.1_ASM81732v1_genomic.gff |awk -F'\t' '{if($5<=10000){print $5}}'|sort|uniq|wc -l
因为是以制表符进行分隔，所以指定制表符为分隔符
awk的命令格式为：
awk '条件1{动作1}条件2{动作2}...' 文件名
if($5<10000)为条件1，{print $5}为动作1。当执行条件1满足后，则执行动作1，持续执行，直到不满足该条件。
（3）sort
sort [选项] 文件名
sort命令将执行结果以行为单位进行排序
（4）uniq
uniq命令删除相邻重复的行
（5）wc
wc [选项] 文件名
-l 只统计行数
-w 只统计单词数
-m 只统计字符数
wc -l 统计输出结果的行数，也就数最终需要统计的基因数目
该代码还有如下写法，方法都差不多
grep $'Genbank\tgene' GCA_000817325.1_ASM81732v1_genomic.gff |awk '{if(($1=="CP006471.1")&&($5<=10000)){print $_}}'|wc -l
最终统计的结果应为9个基因
2.将该基因组注释文件生成一个locus_tag和Name对应关系的表格
要求：只能使用一行shell命令，生成的表格以制表符分隔；并将shell命令和基因数目写在答案处。
命令如下：
grep $'\tProtein' GCA_000817325.1_ASM81732v1_genomic.gff |sed 's/^.*;Name=//g'|sed 's/;.*;locus_tag=/\t/g'|sed 's/;.*//g'|head
也可以取Genbank那一行，如下：
grep $'\tGenbank' GCA_000817325.1_ASM81732v1_genomic.gff |sed 's/^.*;Name=//g'|sed 's/;.*;locus_tag=/\t/g'|sed 's/;.*//g'|head
但Genbank取出来的结果少一行
这里$'\tProtein'，$是为了识别后面的转置字符\t（因为其他列也有可能出现Protein，所以需要加上\t便可以精准的匹配所需要的行）
这里解释以下单引号和双引号的区别：
单引号：
1）单引号内不允许任何变量、元字符、通配符、转义符的解析，均被原样输出
2）使用双引号或反斜杠转义可显示输出单引号，但是双引号和反斜杠不能被同时使用。如命令：echo “\'”，输出结果会为（\'），而不是（'）
3）可解析正则表达式，与sed和grep命令配合使用，因此在这里使用单引号，并用$来让单引号解析\t
双引号：保护特殊元字符和通配符不被shell解析，但是允许变量和命令替换，以及转义符的解析
参考：https://www.cnblogs.com/fnlingnzb-learner/p/6839669.html
3.提取DNA序列
去除假基因（pseudogene），提取基因注释中locus_tag相对应的protein_id
grep $'\tProtein' GCA_000817325.1_ASM81732v1_genomic.gff|grep -v "pseudogene" |awk -v FS="\t" -v OFS="\t" '{print $1,$4,$5,$7,$9}'|sed 's/\tID.*;locus_tag=/\t/g'|sed 's/;.*;protein_id=/\t/g'|sed 's/;.*$//g'|awk -v FS='\t' -v OFS='\t' '{print $1,$2-1,$3,$5,"0",$4,$6}'>genome.bed
最后生成了一个genome.bed文件，查看genome.bed文件：
1.基因组注释（genomic features）通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件格式表示，用UCSC Genome Browser进行可视化比较。
2.Bed文件和GFF文件最基本的信息就是染色体或Contig的ID或编号，然后就是DNA的正负链信息，接着就是在染色体上的起始和终止位置数值。
3.两种文件的区别在于，BED文件中起始坐标为0，结束坐标至少是1； GFF中起始坐标是1而结束坐标至少是1。
因而将起始坐标$2减1即$2-1，便可以将基因组注释文件的gff格式转换为bed格式。
参考：https://www.jianshu.com/p/9208c3b89e44
先用这个命令可以得到：
grep $'\tProtein' GCA_000817325.1_ASM81732v1_genomic.gff|grep -v "pseudogene" |awk -v FS="\t" -v OFS="\t" '{print $1,$4,$5,$7,$9}'|sed 's/\tID.*;locus_tag=/\t/g'|sed 's/;.*;protein_id=/\t/g'|sed 's/;.*$//g'|head
（1）sed也是字符截取命令
sed是对文件的数据进行选取、替换、删除和新增的命令
其用法是
sed [选项]'[动作]'
（2）正则表达式
s///进行替换操作
用/g进行全局替换，s///只会进行一次替换，/g修饰符可让s///替换所有符合条件的字符串。
sed 's/^.;Name=//g'|sed 's/;.;locus_tag=/\t/g'|sed 's/;.*//g'
将到Name=为止的内容全部替换为空字符串，保留紧接着Name后的内容，将到locus_tag=为止的内容全替换为一个制表符，保留紧接着locus_tag=后的内容，将最后面不要的内容全替换为空字符串。
注意：替换时分号的运用很关键。
awk -v FS='\t' -v OFS='\t' '{print \$1,\$2-1,\$3,\$5,"0",\$4,\$6}' >genome.bed
此处用awk指定截取分隔符对数据进行截取，并将截取到的列调整了位置。在中间插入了一列0，将第二列的结果减1
也可以提取上面结果中的蛋白质名称（protein_id）
cut -f 7 genome.bed |head -30>pro_name.list
我们也可以用seqtk来提取，下一篇将介绍。
