☰

範囲が最大の行を保持

tag-icon • tag-icon text-processing bioinformatics
範囲が最大の行を保持

以下のファイル（fileA）があります。

>ENST00000614578.1 gene=WASP12 CDS=1-526
>ENST00000581055.1 gene=PTP2 CDS=138-579
>ENST00000577541.1 gene=PTP2 CDS=1-81
>ENST00000423485.5 gene=PTP2 CDS=160-4752
>ENST00000367142.4 gene=PRPF40B CDS=304-1032
>ENST00000366955.7 gene=WASP12 CDS=169-9511

CDS値の範囲が最も大きい行だけを維持したいと思います。範囲は 3 番目の列の CDS 値で指定されます。たとえば、最初の行の範囲は525（526-1）、2番目の行の範囲は441（579-138）です。

希望の出力：

>ENST00000423485.5 gene=PTP2 CDS=160-4752
>ENST00000367142.4 gene=PRPF40B CDS=304-1032
>ENST00000366955.7 gene=WASP12 CDS=169-9511

ソートしてみました。

sort -nrk3,3  fileA

しかし、私はこれが行く道ではないと思います。どんな提案がありますか？フィルタリング基準は、同じ遺伝子名を持つ行の範囲の最大値を取ることです。

ベストアンサー1

新しい情報を見てここに来ました

awk -F'[ =-]' '{ print $0" "$6-$5 | "sort -k4nr" }' fileA | \
cut -d' ' -f1-3 | \
awk -F'[ =]' '!seen[$3]++'

出力：

>ENST00000366955.7 gene=WASP12 CDS=169-9511
>ENST00000423485.5 gene=PTP2 CDS=160-4752
>ENST00000367142.4 gene=PRPF40B CDS=304-1032

これは間違いなく1つのコマンドで行うことができますが、awkまだ使い方を学んでいます。

OP編集前の以前の回答：

最小値が700（例の出力と一致するように）であると仮定すると、次のことを試すことができます。

awk -F'[=-]' '$4-$3 > 700' fileA

出力：

>ENST00000423485.5 gene=PTP2 CDS=160-4752
>ENST00000367142.4 gene=PRPF40B CDS=304-1032
>ENST00000366955.7 gene=WASP12 CDS=169-9511

-F'[=-]'：=とを-列区切り文字として使用して、列3と4になります。

1 526
138 579
1 81
160 4752
304 1032
169 9511

$4-$3 > 700：4番目の列から3番目の列を引いた値が700より大きい行を選択します。

おすすめ記事