☰

Leer/manipular datos de columnas para la enésima recurrencia

tag-icon • tag-icon text-processing awk
Leer/manipular datos de columnas para la enésima recurrencia

Tengo una matriz donde tengo recuentos de genes en diferentes muestras.

Col1: GeneName
Col2: Length
Col3;Col4;Col5; Counts for genes in sampleA/sampleB/sampleC
Col6;Col7;Col8; Total counts in sampleA/sampleB/sampleC

Esta es una matriz de ejemplo.

A1BG    1758    53  4373    207 46005749    43849471    31554941 
A1BG-AS1    2126    5   88  12  46005749    43849471    31554941
A1CF    9695    8882    3522    437 46005749    43849471    31554941 
A2M 5399    15963   12325   7227    46005749    43849471    31554941 
A2M-AS1 6660    50  33  36  46005749    43849471    31554941

Quiero dividir counts_sampleA / (total_counts_sampleA*Length), y así sucesivamente para otras muestras

gato en archivo | awk 'COMENZAR {OFS="\t"} { imprimir $1,$2,$3/($6*$2),$4/($7*$2),$5/($8*$2) }'

Este es el resultado esperado

A1BG    1758    6.55307e-10 5.67278e-08 3.73151e-09  
A1BG-AS1    2126    5.11204e-11 9.43963e-10 1.78875e-10   
A1CF    9695    1.99136e-08 8.28471e-09 1.42845e-09   
A2M 5399    6.42672e-08 5.20606e-08 4.24207e-08   
A2M-AS1 6660    1.63186e-10 1.12999e-10 1.71301e-10

Funciona bien, pero no es bueno cuando la matriz es grande. ¿Cómo escribiría si hay 100 muestras, donde column3-colum102 tendría geneCountinEachSample y Coulmn103-column202 tendría totalCountinEachSample?

Quiero usarlo con un bucle for, de modo que cuando haya más muestras, funcione con un número arbitrario de columnas.

cat inFile | awk 'BEGIN {OFS="\t"} { row=NF; samples=3; size=$samples+2; for ( i=3; i<=$size; i++); END print $i/$[$i+$samples] }'

Alguna sugerencia sobre cómo hacer que esto funcione. Gracias !

Respuesta1

Bueno, casi tienes la respuesta ahí:

awk '
     {cols=((NF/2) + 1)
      for (i=1; i <= cols; i++) {
          if (i >= 3) {
              count_index= i + cols - 2
              printf("%s\t", 1.0 * $i / ($count_index * $2))
          } else {
              printf("%s\t", $i) 
          }
      }
      printf("\n")
     }' inFile

Tenga en cuenta que el uso cat file | awk ...no es óptimo, awk maneja archivos como argumentos directamente; aun así, hacerlo awk ... < infilesería mejor queun uso inútil de gato.

Respuesta2

perl -F'\s+' -lane '$,="\t"; # OFS made a TAB
   my($gN, $gL) = splice @F, 0, 2; # store gene name & length
   print $gN, $gL, map { sprintf "%.5e", $F[$_] / ( $F[$_+@F/2] * $gL ) } 0 .. @F/2-1;
' gene_samples.file
  • FSse establece en uno o más espacios en blanco.
  • ORS = RS = \n
  • @Fcontiene campos para un registro determinado.
  • splicerompe 2 elementos a partir del desplazamiento 0 y también reduce el tamaño de la matriz.
  • Según las especificaciones OP, lo que queda en @F son elementos pares. La primera mitad es counts_for_each_sample y la segunda mitad es total_count_for_each_sample.

Resultados

A1BG      1758  6.55307e-10  5.67278e-08  3.73151e-09
A1BG-AS1  2126  5.11204e-11  9.43963e-10  1.78875e-10
A1CF      9695  1.99136e-08  8.28471e-09  1.42845e-09
A2M       5399  6.42672e-08  5.20606e-08  4.24207e-08
A2M-AS1   6660  1.63186e-10  1.12999e-10  1.71301e-10

información relacionada