☰

基因间区域？

tag-icon • tag-icon command-line text-processing awk
基因间区域？

我有一个包含正链和负链基因的 bed 文件。我想获取正链和负链基因之间的基因间区域。有没有办法用 awk 命令做到这一点？非常感谢！

编辑：第二列和第三列是基因起始和终止位点。基本上，如果从底部开始有 + 号，我想减去第三列中的数字和前第二行中的数字。如果最后一列有 - 号，我也想从底部开始，但减去第二列中的数字和前第三行中的数字。

期望输出

chr1  820983    (860759-820983)    ENSG00000269308 591    +
chr1   818542     (818542-369634)   ENSG00000235249 587   +
ch1 738637     (738637-623056)      ENSG00000185097 589   -
ch1 621546     (621546-140379)      ENSG00000237683  586 -

输入

chr1    13885   140379  ENSG00000237683 586 -
chr1    36854   369634  ENSG00000235249 587 +    
chr1    621546  623056  ENSG00000185097 589 -    
chr1    738637  740137  ENSG00000269831 590 -    
chr1    818542  820983  ENSG00000269308 591 +   
chr1    860759  875671  ENSG00000187634 591 +

答案1

我仍然不完全理解您的解释和期望的输出（为什么有些第 1 列的值是chr1，而有些是ch1？为什么第一行的第 2 列是 820983 而不是 860759？），但这可能足以让您开始。

如果您不关心输出的顺序，最简单的事情似乎是反转文件中行的顺序，然后简单地滚动记录和条目的最新第 2 列值+，并在遇到-下一个+或时打印/减去它们：-

$ tac file.bed | awk '
>   $NF ~ /+/ {if(last2p) print $1, last2p, "(" last2p "-" $3 ")", $4, $5, $6; last2p = $2}
>   $NF ~ /-/ {if(last2m) print $1, last2m, "(" last2m "-" $3 ")", $4, $5, $6; last2m = $2}
> '
chr1 860759 (860759-820983) ENSG00000269308 591 +
chr1 738637 (738637-623056) ENSG00000185097 589 -
chr1 818542 (818542-369634) ENSG00000235249 587 +
chr1 621546 (621546-140379) ENSG00000237683 586 -

如果你做关心输出顺序，那么您可以构造一对数组plus并minus说，然后反向迭代它们以“向上”查找下一个匹配+或-。这对于一行代码来说太大了，因此这里以可执行的 awk 脚本的形式呈现：

$ cat chr.awk
#!/usr/bin/gawk -f

function fooprint(a,i, j,p,q) {
  split(a[i], p);
  for(j=i-1;j>0;j--) {
    if(j in a) {
      split(a[j], q);
      print q[1], p[2], "(" p[2] "-" q[3] ")", q[4], q[5], q[6];
      break;
    }
  }
}

$NF ~ /+/ {plus[FNR] = $0}
$NF ~ /-/ {minus[FNR] = $0}

END {
  for(i=NR; i>1; i--) {
    if (i in plus)
      fooprint(plus,i);
    else if (i in minus)
      fooprint(minus,i);
  }
}

然后

$ ./chr.awk file.bed
chr1 860759 (860759-820983) ENSG00000269308 591 +
chr1 818542 (818542-369634) ENSG00000235249 587 +
chr1 738637 (738637-623056) ENSG00000185097 589 -
chr1 621546 (621546-140379) ENSG00000237683 586 -

相关内容