☰

필드 4와 5에 콜론으로 구분된 숫자로 인코딩된 문자가 있는 두 개의 필드를 추가합니다.

tag-icon • tag-icon awk sed grep
필드 4와 5에 콜론으로 구분된 숫자로 인코딩된 문자가 있는 두 개의 필드를 추가합니다.

8번째와 9번째 필드/열을 생성하고 적절한 문자를 4열과 5열의 숫자로 인코딩하고 싶습니다. 콜론으로 구분된 6개의 숫자는 다음과 같습니다.A:T:C:G:N:del

참고: 열 6과 7의 일부 행이 비어 있었습니다. NA를 삽입하여 이 문제를 해결했습니다.

awk -F'[[:space:]]' '$5 && !$6{ $6="NA" }1' 
awk -F'[[:space:]]' '$6 && !$7{ $7="NA" }1'

그런 다음 다시 탭을 사용하여 파일을 구분하십시오.sed -e 's/ /\t/g'

파일.tsv

    NW_006532398.1  302035  C   0:0:32:0:0:0    42:0:0:0:0:0    KCND2   intergenic_region
    NW_006532656.1  289636  C   0:0:28:0:0:0    0:28:0:0:0:0    CNTN1   intron_variant
    NW_006532762.1  6396    C   0:54:0:0:0:0    0:0:53:0:0:0    NA  intergenic_region
    NW_006532762.1  25741   C   0:0:62:0:0:0    0:43:0:0:0:0    NA  intergenic_region
    NW_006532762.1  32304   T   0:60:0:0:0:0    0:0:49:0:0:0    NA  intergenic_region
    NW_006532762.1  179065  G   0:0:0:45:0:0    59:0:0:0:0:0    DOCK4   intron_variant

출력 example.tsv

NW_006532398.1  302035  C   0:0:32:0:0:0    42:0:0:0:0:0    KCND2   intergenic_region   C   A
NW_006532656.1  289636  C   0:0:28:0:0:0    0:28:0:0:0:0    CNTN1   intron_variant  C   T
NW_006532762.1  6396    C   0:54:0:0:0:0    0:0:53:0:0:0     NA   intergenic_region T   C
NW_006532762.1  25741   C   0:0:62:0:0:0    0:43:0:0:0:0     NA   intergenic_region C   T
NW_006532762.1  32304   T   0:60:0:0:0:0    0:0:49:0:0:0     NA   intergenic_region T   C 
NW_006532762.1  179065  G   0:0:0:45:0:0    59:0:0:0:0:0    DOCK4   intron_variant  G   A

어떤 도움이라도 대단히 감사하겠습니다! !

답변1

$ cat tst.awk
BEGIN {
    FS=OFS="\t"
    split("A:T:C:G:N:del",map,/:/)
}
{ print $0, vals2id($4), vals2id($5) }
function vals2id(vals,  arr, i, id) {
    split(vals,arr,/:/)
    for (i in arr) {
        if (arr[i] != 0) {
            id = map[i]
        }
    }
    return id
}

$ awk -f tst.awk file
NW_006532398.1  302035  C       0:0:32:0:0:0    42:0:0:0:0:0    KCND2   intergenic_region       C       A
NW_006532656.1  289636  C       0:0:28:0:0:0    0:28:0:0:0:0    CNTN1   intron_variant  C       T
NW_006532762.1  6396    C       0:54:0:0:0:0    0:0:53:0:0:0    NA      intergenic_region       T       C
NW_006532762.1  25741   C       0:0:62:0:0:0    0:43:0:0:0:0    NA      intergenic_region       C       T
NW_006532762.1  32304   T       0:60:0:0:0:0    0:0:49:0:0:0    NA      intergenic_region       T       C
NW_006532762.1  179065  G       0:0:0:45:0:0    59:0:0:0:0:0    DOCK4   intron_variant  G       A

답변2

나는 다음 sed 스크립트가 당신이 원하는 것을 할 것이라고 믿습니다:

s/\t[1-9][0-9]*:0:0:0:0:[^\t]*\t/&A\t/g
s/\t0:[1-9][0-9]*:0:0:0:[^\t]*\t/&T\t/g
s/\t0:0:[1-9][0-9]*:0:0:[^\t]*\t/&C\t/g
s/\t0:0:0:[1-9][0-9]*:0:[^\t]*\t/&G\t/g
s/\t0:0:0:0:[1-9][0-9]*:[^\t]*\t/&N\t/g
s/\t0:0:0:0:0:[1-9][0-9]*\t/&del\t/g
s/^\t(([^\t]*\t){4})([^\t]*)\t([^\t]*)(\t[^\t]*)(\t.*)/\1\4\6\t\3\5/

달리다:

sed -rf script.sed file.tsv > output.tsv

답변3

Perl과 sed 유틸리티를 사용하여 다음을 수행할 수 있습니다.

perl -F'\t' -pale '$"="\t";
   /(?:^|:)(?=[1-9])/g, push(@F, qw[A T C G N del][+pos>>1]) for @F[3,4];
   $_="@F";
' file.tsv

NW_006532398.1 302035   C  0:0:32:0:0:0   42:0:0:0:0:0   KCND2 intergenic_region C  A
NW_006532398.1 302035   C  0:0:0:0:0:2 42:0:0:0:0:0   KCND2 intergenic_region del   A
NW_006532656.1 289636   C  0:0:28:0:0:0   0:28:0:0:0:0   CNTN1 intron_variant C  T
NW_006532762.1 6396  C  0:54:0:0:0:0   0:0:53:0:0:0   NA intergenic_region T  C
NW_006532762.1 25741 C  0:0:62:0:0:0   0:43:0:0:0:0   NA intergenic_region C  T
NW_006532762.1 32304 T  0:60:0:0:0:0   0:0:49:0:0:0   NA intergenic_region T  C
NW_006532762.1 179065   G  0:0:0:45:0:0   59:0:0:0:0:0   DOCK4 intron_variant G  A

sed -re '
   1{x;s/.*/A:T:C:G:N:del/;x;}
   s/\t/&\n/3;G;ba
   :b;s/\t/&\n/4;G
   :a;s/\n0:(.*)\n[^:]+:/0:\n\1\n/;ta
   s/\n//;s/\n([^:]+)/\t\1\n/;s/\n.*//;s/^//;tc
   :c;s/\t/&/8;t;bb
' file.tsv

설명하다:

  • 현재 레코드의 $F[3]네 번째 및 다섯 번째 필드(일명 행)에서$F[4]$_

    (필드 내에서) 0이 아닌 첫 번째 숫자의 위치를 ​​결정합니다. 사실에 의존

    2개의 위치를 ​​차지하여 찾은 위치를 절반으로 줄여 필드에 대한 익명 배열 인덱스를 0:얻습니다 .qw[A T C G N del]

  • 이제 발견된 A/T/C/G/N 또는 del을 배열에 추가하기만 하면 됩니다 @F.

  • @F그런 다음 (탭)을 사용하여 배열을 추론 $"한 다음 인쇄합니다.

가정:

  1. 선행 TAB이 없으면 배열의 필드 수가 삭제됩니다 @F.
  2. 네 번째 및 다섯 번째 필드는 가정됩니다 one-hot. 이는 항상 0이 아닌 숫자가 확실히 존재함을 의미합니다.
  3. 네 번째 및 다섯 번째 필드에는 0으로 시작하는 0이 아닌 숫자가 없습니다.
  4. 네 번째 및 다섯 번째 필드에는 00이 모두 0으로 표시되지 않습니다.
  5. 네 번째 및 다섯 번째 필드에는 단일 콜론으로 구분된 정확히 6개의 숫자가 있으며 후행/선행 콜론은 없습니다.

관련 정보