Linux 和 Bash 染色体排序文件

Question 1

在zsh壳里，

print -l Homo_sapiens.GRCh38.dna.chromosome.*.fa.gz(n)

会按照您想要的顺序打印文件：

$ print -l Homo_sapiens.GRCh38.dna.chromosome.*.fa.gz(n)
Homo_sapiens.GRCh38.dna.chromosome.1.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.2.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.3.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.4.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.5.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.6.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.7.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.8.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.9.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.10.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.11.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.12.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.13.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.14.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.15.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.16.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.17.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.18.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.19.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.20.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.21.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.22.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.X.fa.gz
Homo_sapiens.GRCh38.dna.chromosome.Y.fa.gz

最后(n)的会按十进制整数对全局匹配产生的名称进行排序。和X按Y字典顺序保留在末尾。

要将它们合并到一个文件中：

cat Homo_sapiens.GRCh38.dna.chromosome.*.fa.gz(n) >Homo_sapiens.GRCh38.dna.combined.fa.gz

请注意，我选择的名称与模式不匹配，并且格式gzip允许这种类型的串联（解压缩压缩的组合文件将为您提供所有组合文件中的组合数据）。如果您已将其压缩bgzip然后我思考你应该还好。

还要注意，如果您有M或Un染色体（线粒体和未放置的支架），这些可能会在某种程度上扰乱排序，因为您通常希望它们在最后。

您还可以使用sort -t. -k5,5 -V（在第五个点分隔字段上执行“版本排序”）获得此排序顺序，而sort -V（不指定排序字段）将按染色体编号排序38，而不是染色体编号。

在bash：

printf '%s\0' Homo_sapiens.GRCh38.dna.chromosome.*.fa.gz |
sort -z -t. -k5,5 -V |
xargs -0 cat >Homo_sapiens.GRCh38.dna.combined.fa.gz

这将创建所有相关文件名的列表，并将它们通过管道传递给sort命令（我已经解释过）。排序后，xargs读取排序后的名称并调用cat它们来连接数据。输出将写入新文件，如示例所示zsh。

在整个管道中，文件名被视为以 null 结尾的字符串。

Answer

在zsh壳里，

print -l Homo_sapiens.GRCh38.dna.chromosome.*.fa.gz(n)