☰

다른 파일의 여러 기준에 따라 파일 행을 선택하는 방법은 무엇입니까?

tag-icon • tag-icon linux awk bioinformatics
다른 파일의 여러 기준에 따라 파일 행을 선택하는 방법은 무엇입니까?

2개의 유전자 데이터 세트가 있습니다. file2의 열을 기반으로 file1을 필터링합니다. 그러나 file2의 두 번째 열도 고려해야 하는데 어떻게 해야 할지 모르겠습니다.

파일 1 행 추출의 조건은 동일한 염색체에 위치한 파일 2의 행 중 주어진 염색체 위치보다 염색체 위치가 5000 이상 크거나 5000 미만인 행만 선택하는 것입니다. 아래 코드에서 그 일부를 실행했지만 동일한 염색체 번호 내의 행만 필터링하는 것에 대해서는 설명하지 않습니다.

예를 들어 내 데이터는 다음과 같습니다.

파일 1:

Variant   Chromsome   Chromosome Position  
Variant1      2             14000     
Variant2      1             9000              
Variant3      8             37000          
Variant4      1             21000

파일 2:

Variant  Chromosome  Chromosome Position  
Variant1     1                 10000                   
Variant2     1                 20000                   
Variant3     8                 30000

예상 출력(동일한 염색체에 있는 파일 2의 행과 비교하여 위치 거리가 +/-5000보다 큰 변형):

Variant   Chromosome Position     Chromosome
Variant1    14000                  2
Variant3    37000                  8

#Variant1 at 14000, whilst within 5000 + of Variant1 at 10000 in file2 is on a different chromosome and therefore not compared and is kept.
#Variant3 is on the same chromosome as Variant4 in file1 but larger than 5000+ distance and is kept.

저는 코딩을 위해 이전 질문의 답변을 사용했습니다(다른 파일의 기준에 따라 한 파일에서 행을 선택하는 방법은 무엇입니까?) 염색체를 고려하지 않고 필터링하는 방법을 묻습니다.

awk '
NR == FNR       {RGMIN[++IX] = $2 - 5000                        
                 RGMAX[IX]   = $2 + 5000                        
                 next
                }
FNR == 1        {print                                         
                 next
                }
                {PR = 1                                         

                 for (i=2; i<=IX; i++)  PR = PR * ($3 < RGMIN[i] || $3 > RGMAX[i])                                                                                          
                }
PR                                                             
' file2 file1 > newfile.txt

나는 "file1의 행이 file2의 염색체 번호와 일치하는 경우 해당 염색체 번호 내에서 5000 +/- 필터링만 수행합니다"에 대한 추가 줄에 if 문을 추가할 수 있도록 구문을 더 잘 이해하려고 노력해 왔습니다. 다른 방법이 있는 경우 이것을 내가 가지고 있는 것에 통합하는 방법을 잘 모르겠습니다.

편집하다:

이제 CHROM을 추가해 보세요.

awk '
NR == FNR       {RGMIN[++IX] = $2 - 500000                        
                 RGMAX[IX]   = $2 + 500000  
                 CHROM[IX] = $2              
                 next
                }
FNR == 1        {print                                         
                 next
                }
                {PR = 1                                         
                 for (i=2; i<=IX; i++) if ($2 == CHROM[i]) PR = PR * ($2 < RGMIN[i] || $2 > RGMAX[i])                                              
                }
PR          
' file2 file1 > newfile.txt

답변1

의견에서 제안한대로 :

awk '
NR == FNR       {RGMIN[++IX] = $3 - 5000                        
                 RGMAX[IX]   = $3 + 5000  
                 CHROM[IX]   = $2              
                 next
                }
FNR == 1        {print                                         
                 next
                }
                {PR = 1                                         
                 for (i=2; i<=IX; i++) if ($2 == CHROM[i]) PR = PR * ($3 < RGMIN[i] || $3 > RGMAX[i])                                              
                }
PR          
' file2 file1 
Variant   Chromsome   Chromosome Position  
Variant1      2             14000     
Variant3      8             37000

답변2

file1에 대한 file2의 가중치에 따라 file2를 매핑한 다음 file1의 위치가 아직 매핑되지 않았는지 테스트할 수도 있습니다.

 awk 'FNR==NR{for (i=$3-5000; i<=$3+5000; i++){v[$2"."i]=1}}
      FNR!=NR{if (! v[$2"."$3]) print $0}
      ' file2 file1

이 데이터 세트의 경우 @RudiC보다 느리지만 file2에 여러 개의 겹치는 범위가 많으면 더 가치가 있을 수 있습니다.

관련 정보