Регулярное выражение для соответствия «строка длиной меньше X находится между двумя»> «символы»

Текст в этой форме:

& GT; xxxxxxxxxxxxxxxxxxx

xxxxxxxxxxxxxxxxxx

xxxxxxxxxxxxxxxxxx

& GT; XXXXXXXXXXXXXX

XXXXXXXXXXX

& GT;

Мне нужно регулярное выражение, чтобы соответствовать всем >xxx... если есть меньше, скажем, 100, количество x между > символы. Как я могу это сделать?

Фактическая проблема: «smallt.c: 334 ОШИБКА: последовательность слишком короткая для хэширования» при попытке проиндексировать файл fasta ссылочными последовательностями нескольких вирусов. Это работало раньше, когда в файле присутствовали только более длинные последовательности.

Я не нашел решения для самой маленькой ошибки (и даже если бы я хотел, я бы предпочел запустить его сначала с настройками по умолчанию), поэтому

Мне нужно удалить все более короткие последовательности ссылок из файла ссылок.

ты можешь использовать grep чтобы дать вам только те части файла, где между ними находится более 100 символов > и запишите результаты в новый файл (который затем должен работать с fasta):

grep -Pzo '>[^>]{100,}' fasta.txt > fasta_wo_short_genes.txt

объяснение:

• -P говорит grep принимать регулярные выражения перлы (по какой-то причине я не могу заставить его работать с обычными регулярными выражениями grep)
• z говорит grep видеть весь файл как одну большую строку
• o говорит grep выводить только совпадающие части (в противном случае из-за z Отметить, что он всегда будет выводить весь файл, если найдет какое-либо совпадение)

регулярное выражение:

• > персонаж, разделяющий ваши генные последовательности вируса
• [^>] соответствует любому символу, кроме >
• {100,} соответствует 100 или более повторениям предыдущего выражения (в этом случае [^>] )