☰

세 번째 열의 모든 항목을 삭제하고 특정 텍스트만 유지합니다.

tag-icon • tag-icon text-processing bioinformatics
세 번째 열의 모든 항목을 삭제하고 특정 텍스트만 유지합니다.

세 개의 열이 있는 데이터세트가 있습니다.

https://drive.google.com/file/d/1gtCssfAXHxRjGfX8uTAaimGPWCA2cnci/view?usp=sharing

처음 몇 줄은 다음과 같습니다.

ID  transcript_id   go_description
MA_10000213g0010    MA_10000213g0010    
MA_10000405g0010    MA_10000405g0010    GO:0006468-protein phosphorylation;GO:0030246-carbohydrate binding;GO:0005524-ATP binding;GO:0004672-protein kinase activity
MA_1000049g0010 MA_1000049g0010 
MA_10000516g0010    MA_10000516g0010    GO:0005515-protein binding
MA_10001015g0010    MA_10001015g0010    
MA_10001337g0010    MA_10001337g0010    
MA_10001425g0010    MA_10001425g0010    
MA_10001478g0010    MA_10001478g0010    
MA_10001558g0010    MA_10001558g0010    
MA_10001g0010   MA_10001g0010   
MA_10002030g0010    MA_10002030g0010    GO:0005737-cytoplasm;GO:0000184-nuclear-transcribed mRNA catabolic process, nonsense-mediated decay;GO:0004386-helicase activity;GO:0008270-zinc ion binding;GO:0003677-DNA binding;GO:0005524-ATP binding
MA_10002157g0010    MA_10002157g0010    GO:0006468-protein phosphorylation;GO:0005524-ATP binding;GO:0004672-protein kinase activity
MA_10002549g0010    MA_10002549g0010    
MA_10002583g0010    MA_10002583g0010    GO:0008168-methyltransferase activity
MA_10002614g0010    MA_10002614g0010    
MA_10002643g0010    MA_10002643g0010    GO:0055114-oxidation-reduction process

GO:xxxxxxx세 번째 열에서는 각 용어를 쉼표로 구분해야 하는 부분을 제외한 모든 텍스트를 제거하고 싶습니다 . 예를 들어:

GO:0006468, GO:0030246

처음 두 열은 변경되지 않은 상태로 유지되어야 합니다. 어떻게 해야 하나요?

답변1

데이터가 탭으로 구분되어 있다고 가정하면 다음과 같이 할 수 있습니다.

perl -F'\t' -lane '
  $F[2] = join(",", $F[2]=~/GO:\d+/g); 
  print join "\t",@F
' gene_table_Go\ -\ gene_table_Go.tsv > fixed.tsv

make는 각 입력 행을 주어진 문자의 배열 로 분할 -a하는 nd perl와 유사하게 작동합니다 . 여기서는 탭을 전달합니다. 아직 파일을 저장하지 않았다면 언제든지 탭으로 구분된 파일로 저장할 수 있습니다. 다음으로, 세 번째 필드를 기존 세 번째 필드에서 뒤따르는 모든 숫자를 연결한 결과 로 설정합니다 . 즉, GO 용어만 유지하고 다른 것은 아무것도 유지하지 않습니다. 그런 다음 탭으로 연결된 배열을 인쇄합니다 .awk@F-F$F[2]GO:@F

다음은 동일한 기본 아이디어를 더욱 압축한 버전입니다.

perl -F'\t' -lane '
 $,="\t"; 
 print @F[0..1], join(",",$F[2]=~/GO:\d+/g);
' gene_table_Go\ -\ gene_table_Go.tsv

두 예제 모두 동일한 출력을 생성합니다.

$ perl -F'\t' -lane '$,="\t"; print @F[0,1], join(",",$F[2]=~/GO:\d+/g);' gene_table_Go\ -\ gene_table_Go.tsv | head
ID  transcript_id   
MA_10000213g0010    MA_10000213g0010    
MA_10000405g0010    MA_10000405g0010    GO:0006468,GO:0030246,GO:0005524,GO:0004672
MA_1000049g0010 MA_1000049g0010 
MA_10000516g0010    MA_10000516g0010    GO:0005515
MA_10001015g0010    MA_10001015g0010    
MA_10001337g0010    MA_10001337g0010    
MA_10001425g0010    MA_10001425g0010    
MA_10001478g0010    MA_10001478g0010    
MA_10001558g0010    MA_10001558g0010

GO:\d+헤더 가 실제로 패턴과 일치하지 않기 때문에 헤더를 그대로 유지하려면 다음을 수행할 수 있습니다.

$ perl -F'\t' -lane '$,="\t"; print $. == 1 ? @F : @F[0,1], join(",",$F[2]=~/GO:\d+/g);' gene_table_Go\ -\ gene_table_Go.tsv | head
ID  transcript_id   go_description
MA_10000213g0010    MA_10000213g0010    
MA_10000405g0010    MA_10000405g0010    GO:0006468,GO:0030246,GO:0005524,GO:0004672
MA_1000049g0010 MA_1000049g0010 
MA_10000516g0010    MA_10000516g0010    GO:0005515
MA_10001015g0010    MA_10001015g0010    
MA_10001337g0010    MA_10001337g0010    
MA_10001425g0010    MA_10001425g0010    
MA_10001478g0010    MA_10001478g0010    
MA_10001558g0010    MA_10001558g0010

답변2

AWK:

$ awk '
     BEGIN{FS=OFS="\t"}
     {
  while(match($3,/GO:[0-9]+/)) 
     {
  col= sprintf("%s",((col) ? col ",": "")substr($3,RSTART,RLENGTH));  
  $3= substr($3,RSTART+RLENGTH)
     }
     }
  col{ $3=col; col=""}
  1'

답변3

사용행복하다(이전 Perl_6)

\t탭을 열 구분자로 가정 :

~$ raku -ne 'BEGIN put get;   \
             my @a = .split(:skip-empty, / \t /, 3);   \
             @a[2] = (@a[2] // "").comb(/ GO\: \d+ /).join(",");   \
             @a.join("\t").trim-trailing.put;'   file

이것은 Perl 프로그래밍 언어 중 하나인 Raku로 작성된 답변입니다. 한 줄씩 진행하십시오.

  1. BEGIN머리글 행에 대한 설명( 본문 행과 같이 put머리글 행이 \t탭으로 구분된 경우 생략 가능)

  2. 본문 라인(행)을 분할 하여 배열 \t로 저장할 수 있습니다. 4개의 연속 공백 문자 또는 심지어 (4개의 연속 공백 문자) 로 @a분할하는 것이 가능하지만 위험합니다.\s**4\h**4수평의공백 문자) 세 번째 열에 패턴이 포함되어 있지 않은 경우. 그러나 또 위험이 있습니다.

  3. 세 번째 열(예: ) 은 정규 표현식과 일치하는 하나 이상에 대해 편집된(즉, 긍정적으로 선택) 열 텍스트 @a[2]로 대체됩니다 . 생각은 그 반대입니다 (파괴적입니다). 그런 다음 선택한 -ID를 쉼표로 연결합니다 .@a[2]combGO\: \d+combsplitGO

  4. 마지막으로 split탭 join에서 열이 다시 그룹화되어 \t출력됩니다 put.

입력 예:

ID  transcript_id   go_description
MA_10000213g0010    MA_10000213g0010
MA_10000405g0010    MA_10000405g0010    GO:0006468-protein phosphorylation;GO:0030246-carbohydrate binding;GO:0005524-ATP binding;GO:0004672-protein kinase activity
MA_1000049g0010 MA_1000049g0010
MA_10000516g0010    MA_10000516g0010    GO:0005515-protein binding
MA_10001015g0010    MA_10001015g0010
MA_10001337g0010    MA_10001337g0010
MA_10001425g0010    MA_10001425g0010
MA_10001478g0010    MA_10001478g0010
MA_10001558g0010    MA_10001558g0010
MA_10001g0010   MA_10001g0010
MA_10002030g0010    MA_10002030g0010    GO:0005737-cytoplasm;GO:0000184-nuclear-transcribed mRNA catabolic process, nonsense-mediated decay;GO:0004386-helicase activity;GO:0008270-zinc ion binding;GO:0003677-DNA binding;GO:0005524-ATP binding
MA_10002157g0010    MA_10002157g0010    GO:0006468-protein phosphorylation;GO:0005524-ATP binding;GO:0004672-protein kinase activity
MA_10002549g0010    MA_10002549g0010
MA_10002583g0010    MA_10002583g0010    GO:0008168-methyltransferase activity
MA_10002614g0010    MA_10002614g0010
MA_10002643g0010    MA_10002643g0010    GO:0055114-oxidation-reduction process

예제 출력:

ID  transcript_id   go_description
MA_10000213g0010    MA_10000213g0010
MA_10000405g0010    MA_10000405g0010    GO:0006468,GO:0030246,GO:0005524,GO:0004672
MA_1000049g0010 MA_1000049g0010
MA_10000516g0010    MA_10000516g0010    GO:0005515
MA_10001015g0010    MA_10001015g0010
MA_10001337g0010    MA_10001337g0010
MA_10001425g0010    MA_10001425g0010
MA_10001478g0010    MA_10001478g0010
MA_10001558g0010    MA_10001558g0010
MA_10001g0010   MA_10001g0010
MA_10002030g0010    MA_10002030g0010    GO:0005737,GO:0000184,GO:0004386,GO:0008270,GO:0003677,GO:0005524
MA_10002157g0010    MA_10002157g0010    GO:0006468,GO:0005524,GO:0004672
MA_10002549g0010    MA_10002549g0010
MA_10002583g0010    MA_10002583g0010    GO:0008168
MA_10002614g0010    MA_10002614g0010
MA_10002643g0010    MA_10002643g0010    GO:0055114

https://docs.raku.org
https://raku.org

답변4

당신은 사용을 고려할 수 있습니다밀러, TSV 파일에 대한 지원이 내장되어 있습니다.

  • $go_description필드를 ;배열로 분할
  • GO:nnnnnn정규식을 적용하여 배열의 각 요소에서 하위 문자열을 추출합니다.
  • 결과를 다시 ,단일 문자열 로 연결
  • 결과를 다시 할당$go_description

그래서

mlr --tsv put '
  $go_description = joinv(
    apply(splitax($go_description,";"),func(e) {return regextract(e,"GO:[[:digit:]]+")}),
    ","
  )
' gene_table_Go.tsv

관련 정보