Как я могу получить доступ к двум столбцам в файле gff и объединить их с помощью bash?

У меня есть файл gff, я хочу извлечь идентификаторы гена (столбец 9) и цепь (+ или -) (столбец 7). Я хочу сделать это в bash, но не знаю, как это сделать. Я хочу извлечь только строку, в которой есть тип объекта Gene (столбец 3).

я попробовал это:

#!/bin/bash
gff_file = "$1"
sequence_id = "$2"
gene_ids=$(zcat "$gff_file" | awk -F'\t' -v seq_id = "$sequence_id" '$1 == seq_id && $3 == "gene"             {match($9, /ID=([^;]+)/, arr); print arr[1]$7}')
if [ -z "$gene_ids" ]; then
    exit 0
fi
sorted_gene_ids=$(echo "$gene_ids" | sort -nk2 | awk '{print $1}')
echo "$sorted_gene_ids"

мой gff-файл выглядит так:

chr1    v1.0    gene    289 3692    .   -   .   ID=Oeu061231.1;tid=PAC:37727357;id=gOeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
chr1    v1.0    mRNA    289 3692    .   -   .   ID=Oeu061231.1;Parent=Oeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
chr1    v1.0    exon    289 349 .   -   .   ID=Oeu061231.1:exon:1;Parent=Oeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
chr1    v1.0    CDS 289 349 .   -   1   ID=Oeu061231.1:CDS;Parent=Oeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
chr1    v1.0    exon    473 787 .   -   .   ID=Oeu061231.1:exon:2;Parent=Oeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
chr1    v1.0    CDS 473 787 .   -   1   ID=Oeu061231.1:CDS;Parent=Oeu061231.1;Name=Oeu061231.1;gene_id=Oeu061231.1
...
chr2    v1.0    gene    21189213    21190423    .   +   .   ID=Oeu046640.1;tid=PAC:37723918;id=gOeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    mRNA    21189213    21190423    .   +   .   ID=Oeu046640.1;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    exon    21189213    21189336    .   +   .   ID=Oeu046640.1:exon:1;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    CDS 21189213    21189336    .   +   0   ID=Oeu046640.1:CDS;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    exon    21189890    21189977    .   +   .   ID=Oeu046640.1:exon:2;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    CDS 21189890    21189977    .   +   2   ID=Oeu046640.1:CDS;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    exon    21190084    21190150    .   +   .   ID=Oeu046640.1:exon:3;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    CDS 21190084    21190150    .   +   1   ID=Oeu046640.1:CDS;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    exon    21190370    21190423    .   +   .   ID=Oeu046640.1:exon:4;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1
chr2    v1.0    CDS 21190370    21190423    .   +   0   ID=Oeu046640.1:CDS;Parent=Oeu046640.1;Name=Oeu046640.1;gene_id=Oeu046640.1

gff_file

когда я вызываю файл .sh, я также хочу фильтровать хромосому, поэтому, например, я бы использовал его так:

gene_id_extracter.sh example.gff.gz "chr2"

я ожидал, что результат будет выглядеть так:

Oeu046640.1+

вам следует отредактировать свой вопрос и добавить несколько примеров строк файла GFF (в виде блока кода) и результат, который вы хотите получить от него. Я имею в виду, откуда нам знать, что вы пытаетесь обработать?

— 25.05.2024 15:45

bash

25.05.2024 15:18

Стоит ли изучать PHP в 2023-2024 годах?

Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...

Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией

В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.

Приемы CSS-макетирования - floats и Flexbox

Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...

Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest

В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...

Концепция локализации и ее применение в приложениях React ⚡️

Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...

Пользовательский скаляр GraphQL

Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...

Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Чтобы извлечь идентификаторы генов и цепочки из файла GFF с помощью bash, ориентируясь только на строки с типом объекта «ген» в столбце 3, вы можете использовать awk и sort.

#!/bin/bash

# Ensure a GFF file is provided
if [ $# -lt 1 ]; then
  echo "Usage: $0 <gff_file>"
  exit 1
fi

gff_file = "$1"

# Extract gene IDs and strands from the GFF file
gene_ids=$(awk -F'\t' '$3 == "gene" {match($9, /ID=([^;]+)/, arr); print arr[1] $7}' "$gff_file")

# Check if gene_ids is empty
if [ -z "$gene_ids" ]; then
  exit 0
fi

# Sort and print the gene IDs with their strands
sorted_gene_ids=$(echo "$gene_ids" | sort)

echo "$sorted_gene_ids"

25.05.2024 15:33

Ответ принят как подходящий

Это похоже на то, что вы, вероятно, хотите:

$ cat tst.sh
#!/usr/bin/env bash

zgrep "^$2"$'\t' "$1" | awk -F'[\t=]+' '$3 == "gene" { print $NF $7; exit }'

$ ./tst.sh example.gff.gz chr2
Oeu046640.1+

Мы используем zgrep regexp | awk '...' вместо zcat | awk '/regexp/...' или аналогичный для повышения эффективности, поскольку первый требует zgrep для чтения каждой строки сжатого файла, но awk видит только строки, содержащие chr2, до строки gene, тогда как второй требует, чтобы и zcat, и awk читали каждую строку сжатый файл.

Кажется, это работает только для распечатки одного идентификатора гена, но некоторые хромосомы имеют два идентификатора гена, и тогда он не будет распечатывать все разные идентификаторы гена. Я знаю, что не уточнил, что иногда это так, мои извинения.

— 26.05.2024 10:01

Хорошо, подождите, я нашел это, спасибо! если я просто удалю; выход в операторе awk, он распечатывает все идентификаторы генов, спасибо за решение!

— 26.05.2024 10:06

25.05.2024 23:05