Estoy intentando comparar dos archivos tsv. El archivo a consultar (archivo1) tiene el siguiente aspecto:
Chr Start End
chr1 234738546 234738934
chr1 234792654 234793537
chr1 234908151 234908864
chr1 235097868 235098170
chr1 236080566 236081347
chr1 240307621 240308262
chr1 240308207 240308637
chr1 240308546 240308962
chr1 242627058 242627262
chr1 243923195 243923709
La segunda columna de otro archivo (archivo2) contiene números que deseo verificar, si se encuentran, entre los números de las columnas 2 y 3 en el y repetirlo hasta que se cumpla la condición.
por ejemplo: 242627060se encuentra entre 242627058&242627262
El archivo 2 se parece a:
Chr Centre_Coord Ignore_this_col Secondary Information
chr1 234765055 234765056 NR_033927_LINC00184 . +
chr1 234782033 234782034 NR_125944_LOC101927787 . +
chr1 234859787 234859788 NR_038856_LINC01132 . +
chr1 234895802 234895803 NR_148962_PP2672 . -
chr1 235099745 235099746 NR_125945_LOC101927851 . -
chr1 235324564 235324565 NR_144491_RBM34 . -
chr1 235097888 235291252 NR_002956_SNORA14B . -
chr1 235097869 235353431 NR_039908_MIR4753 . -
chr1 235324564 235324565 NR_027762_RBM34 . -
chr1 235324564 235324565 NM_001346738_RBM34 . -
y me da el resultado de la siguiente manera:
chr1:242627058-242627262, 242627060
-de donde provienen las coordenadas separadas file1y la coma separada de la segunda columna de file2.
Ya intenté usar awkel bucle while pero por alguna razón no pude hacerlo.
while read a b c; do col2=$b; col3=$3; tail -n +1 path/to/file2 | awk 'BEGIN{OFS="\t"}{if($2>=$col2 && $2<=$col3) {print $a,$col2,$col3,$2}; break; else continue}' > rohit_TSS.txt; done < file1
Respuesta1
Probablemente sea más fácil hacer esto en 2 pasos.
Coloque todo en un archivo auxiliar y ordénelo.
awk 'FNR>1{print $1, $2, $3, $4 }' file1 file2 | sort -k1 >> file3
Luego simplemente revísalos awken una sola pasada.
awk '{if (NF == 3) {chr=$1; lo=$2; hi=$3} else { if ($1==chr && $2>=lo && $2<=hi) print $1":"lo"-"hi", "$2}}' file3
Un paseo por el awk...... Ya sabes de qué líneas file3vienen file1porque solo tienen 3 campos, file2tiene más....
if (NF == 3) {chr=$1; lo=$2; hi=$3}
es una prueba que es verdadera cuando estás en una línea (en file3) que proviene de file1. Cada vez que encuentre una línea a partir de file1ese momento, querrá obtener los valores loy hi, así como el cromosoma actual.
else
De lo contrario, estamos en una línea file2tan justa.....
if ($1==chr && $2>=lo && $2<=hi) print $1":"lo"-"hi", "$2}
Y si estamos en el mismo cromosoma y el valor de interés $2está entre los límites loy hique recordamos antes, imprimimos en su formato.
La salida fue
chr1:235097868-235098170, 235097869
chr1:235097868-235098170, 235097888
nota
De hecho puedes olvidar el primero awky el justo.
cat file1 file2 | sort > file3
Y dado que ordena toda la línea, debería ser chragnóstico.
Respuesta2
for C in `cat file2 |awk -F" " '{ print $2 }' ` ; do
echo "Checking $C .." ;
cat file1 | awk -v var=$C -F" " '{ if ( var >=$2 && var <=$3 ) print $1":"$2"-"$3", "var ; }';
done
Más adelante podrás eliminar el echo "Comprobando $C...";
Checking 234765055 ..
Checking 234782033 ..
Checking 234859787 ..
Checking 234895802 ..
Checking 235099745 ..
Checking 235324564 ..
Checking 235097888 ..
chr1:235097868-235098170, 235097888
Checking 235097869 ..
chr1:235097868-235098170, 235097869
Checking 235324564 ..
Checking 235324564 ..