[英]LINUX AWK command to merge isoform of genes
我有以下格式的大文件:
chr1 11873 12227 DDX11L1 . +
chr1 12612 12721 DDX11L1 . +
chr1 13220 14409 DDX11L1 . +
chr1 14361 14829 WASH7P . -
chr1 14969 15038 WASH7P . -
chr1 15795 15947 WASH7P . -
chr1 16606 16765 WASH7P . -
chr1 16857 17055 WASH7P . -
chr1 17232 17368 WASH7P . -
chr1 17368 17436 MIR6859-2 . -
chr1 17368 17436 MIR6859-1 . -
chr1 17605 17742 WASH7P . -
chr1 17914 18061 WASH7P . -
chr1 18267 18366 WASH7P . -
chr1 24737 24891 WASH7P . -
chr1 29320 29370 WASH7P . -
chr1 34610 35174 FAM138A . -
chr1 34610 35174 FAM138F . -
chr1 35276 35481 FAM138A . -
chr1 35276 35481 FAM138F . -
chr1 35720 36081 FAM138A . -
chr1 35720 36081 FAM138F . -
chr1 69090 69093 OR4F5 . +
chr1 69090 70005 OR4F5 . +
chr1 69090 70008 OR4F5 . +
chr1 70005 70008 OR4F5 . +
chr1 134772 139696 LOC729737 . -
chr1 139789 139847 LOC729737 . -
我想合并一个基因的所有同工型(第4列)的坐标。 如果第4列中的值在该列中相同,则我希望第一个匹配行的第2列中的值和最后一个匹配行的第3列中的值,因此输出将变为。
chr1 11873 14409 DDX11L1 . +
chr1 14361 29370 WASH7P . -
chr1 17368 17436 MIR6859-2 . -
chr1 17368 17436 MIR6859-1 . -
chr1 34610 36081 FAM138A . -
chr1 34610 36081 FAM138F . -
chr1 69090 70008 OR4F5 . +
chr1 134772 139847 LOC729737 . -
在此先感谢您,期待您的积极回应。
我假设您想要最小的col2和最大的col3。
sort -k4 -k2n|
awk '$4!=p4{if(NR>1)print p1,min,max,p4,p5,p6;
p1=$1;min=$2;max=$3;p4=$4;p5=$5;p6=$6;}
$4=p4{if($3>max)max=$3}
END{print p1,min,max,p4,p5,p6}'|
sort -k2n
使用这个awk
:
awk '!a[$4]{b[i++]=$0} {a[$4]=$3} END{for(i in b){$0=b[i];$3=a[$4];print}}' file
!a[$4]
:适用于第四个字段最先出现的每一行
b[i++]=$0
:在这种情况下,用这些行填充数组b
{a[$4]=$3}
适用于每一行。 数组a
填充有第三个字段,完成后将存储第三个字段的最后一个值。 END{...}
所有行后,将执行END{...}
for(i in b)
循环通过数组b
。 $0=b[i]
设置$0
变量 $3=a[$4]
第三个字段应该是最后一次出现 print
打印线 输出:
chr1 11873 14409 DDX11L1 . +
chr1 14361 29370 WASH7P . -
chr1 17368 17436 MIR6859-2 . -
chr1 17368 17436 MIR6859-1 . -
chr1 34610 36081 FAM138A . -
chr1 34610 36081 FAM138F . -
chr1 69090 70008 OR4F5 . +
chr1 134772 139847 LOC729737 . -
如果您希望将其分栏,请使用以下命令:
awk ... | column -t
这可能对您有用(GNU sed和sort):
sort -sk4,4 file |
sed -r ':a;$!N;s/^((\S+\s+){2})\S+\s+(\S+)\s+.*\s+(\S+\s+\3)/\1\4/;ta;P;D'|
sort -sk2,2n
按第四列对文件进行排序,但保留原始顺序。
一次读取两行,将匹配第四列的行减少为一行,并保留最新行的第三列。
通过第二列对上述过程的输出进行数字排序(再次保留原始顺序)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.