☰

2つのtsvファイルの比較

tag-icon • tag-icon shell-script awk bioinformatics
2つのtsvファイルの比較

2つのtsvファイルを比較しようとしています。照会するファイル（file1）は次のとおりです。

Chr      Start      End
chr1    234738546   234738934
chr1    234792654   234793537
chr1    234908151   234908864
chr1    235097868   235098170
chr1    236080566   236081347
chr1    240307621   240308262
chr1    240308207   240308637
chr1    240308546   240308962
chr1    242627058   242627262
chr1    243923195   243923709

別のファイル（file2）の2番目の列には、確認したい番号が列2と列3の数字の間にあることを確認し、条件が満たされるまで繰り返します。

例: &242627060の間242627058242627262

ファイル2は次のようになります。

Chr    Centre_Coord Ignore_this_col   Secondary Information
chr1    234765055   234765056   NR_033927_LINC00184     .   +
chr1    234782033   234782034   NR_125944_LOC101927787  .   +
chr1    234859787   234859788   NR_038856_LINC01132     .   +
chr1    234895802   234895803   NR_148962_PP2672        .   -
chr1    235099745   235099746   NR_125945_LOC101927851  .   -
chr1    235324564   235324565   NR_144491_RBM34         .   -
chr1    235097888   235291252   NR_002956_SNORA14B      .   -
chr1    235097869   235353431   NR_039908_MIR4753       .   -
chr1    235324564   235324565   NR_027762_RBM34         .   -
chr1    235324564   235324565   NM_001346738_RBM34      .   -

私に次のような結果を与えます。

chr1:242627058-242627262,  242627060

-分離された座標のソースはカンマでfile12番目の列に分けられますfile2。

whileループを試しましたが、awk何らかの理由で使用できません。

while read a b c; do col2=$b; col3=$3; tail -n +1 path/to/file2 | awk 'BEGIN{OFS="\t"}{if($2>=$col2 && $2<=$col3) {print $a,$col2,$col3,$2}; break; else continue}' > rohit_TSS.txt; done < file1

ベストアンサー1

この作業は、2 つのステップで実行する方が簡単です。

すべてを補助ファイルに入れてソートします。

awk 'FNR>1{print $1, $2, $3, $4 }' file1 file2 | sort -k1 >> file3

awkその後、すべて一度だけ繰り返します。

awk '{if (NF == 3) {chr=$1; lo=$2; hi=$3} else { if ($1==chr && $2>=lo && $2<=hi) print $1":"lo"-"hi", "$2}}' file3

見てみると...フィールドが3つだけで、より多くの行があるので、どのawk行から出てくるのかがわかります。file3file1file2

if (NF == 3) {chr=$1; lo=$2; hi=$3}

file3このテストは、あなたがの行（イン）にいるときに適用されますfile1。その時点から行を見つけるたびに、合計値と現在の染色体をfile1取得したいと思います。lohi

else

そうでなければ、私たちはただ一行になりますfile2...

 if ($1==chr && $2>=lo && $2<=hi) print $1":"lo"-"hi", "$2}

私たちが同じ染色体にあり、関心のある値が$2以前に覚えた値loと限界の間にある場合は、あなたの形式で印刷されます。hi

出力は次のとおりです

chr1:235097868-235098170, 235097869
chr1:235097868-235098170, 235097888

ノート

実際、あなたは最初でawk唯一のことを忘れることができます。

cat file1 file2 | sort > file3

行全体を並べ替えるので、chr不可論的でなければなりません。

おすすめ記事