☰

extraer cierta cadena, buscar y reemplazar o mantener una cadena más larga que contenga el valor extraído

tag-icon • tag-icon sed search replace
extraer cierta cadena, buscar y reemplazar o mantener una cadena más larga que contenga el valor extraído

El archivo de entrada que debe editarse es el siguiente (puede tener más filas):

bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1   intron_FBgn0035847:4_FBgn0035847:3  61  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
2   intron_FBgn0032515:2_FBgn0032515:4  72  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
3   intron_FBgn0266486:5_FBgn0266486:4  58  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
4   intron_FBgn0031359:10_FBgn0031359:7 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
4   intron_FBgn0031359:10_FBgn0031359:8 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
4   intron_FBgn0031359:10_FBgn0031359:9 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
536 intron_CR31143:1_CR31143:2  40  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00

Para cada ID en la segunda columnaintrón_XXXXXXXX:X_XXXXXXXXX:X, quiero extraer la cadena entreintrón_y el 1er:(entre la cadena generalmente, pero no siempre, comienza con FBgn).

Entonces tengo una lista como la siguiente (una columna paraFBgny la otra columna para el nombre correspondiente al que quiero convertir el FBgn):

## FlyBase Gene Mapping Table   
## Generated: Fri Dec 20 12:37:29 2013  
## Using datasource: dbi:Pg:dbname=fb_2014_01_reporting;host=flysql9;port=5432...   
FBgn0035847 mthl7
FBgn0032515 loqs
FBgn0266486 CG45085
FBgn0031359 CG18317

Luego quiero buscar la cadena extraída en la primera columna de la lista.

Si la cadena extraída tiene el valor correspondiente en la segunda columna, quiero reemplazar el ID completointron_FBgnXXXXXX:X_FBgnXXXXXX:Xcon el nombre correspondiente en la 2ª columna.

Si la cadena extraída no existe en la primera columna, quiero reemplazar el ID completointrón_XXXXXXXX:X_XXXXXXXXX:Xcon la cuerda extraída.

Tengo un script como el siguiente:

ref="gene_map_table_fb_2014_01_short.tsv"
target="HC25_LNv_ZT02_intron_results.txt"
output="temptemp.txt"

declare -A map
while read line
do
if [[ ! -z "$line" ]] && [[ ! "$line" =~ ^#.* ]]
then
key=$(echo "$line" | cut -f 1)
value=$(echo "$line" | cut -f 2)
map[$key]=$value
fi
done < $ref

while read line
do
  key=$(echo "$line" | sed -n 's/.*_\([^\.]*\)\:.*/\1/p' | head -1)
if [ ! -z "$key" ]
then
  echo "$line" | sed 's/intron_[^[:space:]]*/'${map[$key]}'/g' >> $output
else
  echo "$line" | sed 's/intron_[^[:space:]]*/'$key'/g' >> $output
fi
done < $target

Todo parece funcionar bien excepto que el archivo de salida carece de líneas cuyo ID no comienza con FBgn.

Respuesta1

Puedes hacerlo:

cat gene_map_table_fb_2014_01_short.tsv  |sed '1d' |awk {'print $2'} |awk 'BEGIN{FS=":"} {print $2}' |sed s/._//g

Al principio, busque su archivo, luego elimine la primera línea (encabezado de las columnas con d1), luego imprima toda la columna, luego separe 4_FBgn0035847con awk 'BEGIN{FS=":"} {print $2}'Luego elimine number_consed s/._//g

La salida es:

FBgn0035847
FBgn0032515
FBgn0266486
1FBgn0031359
1FBgn0031359
1FBgn0031359
CR31143

Sin embargo, si su línea final es adicional y desea eliminarla, puede hacerlo:

cat gene_map_table_fb_2014_01_short.tsv  |sed '1d' |awk {'print $2'} |awk 'BEGIN{FS=":"} {print $2}' |sed s/._//g |sed '$d'

Entonces, la salida es:

FBgn0035847
FBgn0032515
FBgn0266486
1FBgn0031359
1FBgn0031359
1FBgn0031359

Respuesta2

Usandoawk

Esto crea una salida separada por tabulaciones:

$ awk -v OFS="\t" 'NR==FNR{a[$1]=$2;next} FNR==1{print;next} {sub(/intron_/, "", $2); sub(/:.*/,"",$2);if ($2 in a) $2=a[$2];print}' gene_map_table_fb_2014_01_short.tsv HC25_LNv_ZT02_intron_results.txt
bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1       mthl7   61      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
2       loqs    72      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
3       CG45085 58      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
536     CR31143 40      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00

Explicación:

  • -v OFS="\t"

    Esto convierte el separador de campo de salida en una pestaña.

  • NR==FNR{a[$1]=$2;next}

    Esto crea una matriz asociativa, abasada en el primer archivo de la línea de comando, con la primera columna como clave y la segunda columna como valor. El nextcomando indica awkque se omita el resto de los comandos y pase a la siguiente línea.

    El archivo de mapeo contiene algunas líneas de comentarios. Podríamos haber agregado fácilmente una ifdeclaración adicional para evitar que se agreguen a la matriz a. Sin embargo, como no causan daño, nos saltamos esa complicación.

  • FNR==1{print;next}

    Esto imprime la línea del encabezado sin cambios.

  • {sub(/intron_/, "", $2); sub(/:.*/,"",$2)

    Esto elimina la pelusa del segundo campo dejando solo la cadena que queremos.

  • `si ($2 en a) $2=a[$2]

    Si la cadena del segundo campo está presente como clave en una matriz a, entonces sustituimos su valor correspondiente.

  • print

    Se imprime la línea revisada.

Usandobash

En el script, reemplace

if [ ! -z "$key" ]

Con:

if [[ "$key" && "${map[$key]}" ]]

Lo que el guión parece necesitar saber en este momento es si keyestuvo presente mapo no. La prueba revisada garantiza no sólo que keyno esté vacío sino que esté en formato map.

Con ese cambio, obtengo el resultado:

$ cat temptemp.txt 
bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1       mthl7   61      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
2       loqs    72      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
3       CG45085 58      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
536     CR31143 40      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00

Además text, [ ! -z "$key" ]devuelve verdadero si keyno está vacío. Esto equivale a [ -n "$key" ]. Dado que se trata de una prueba tan común, se puede acortar aún más a [ "$key" ]. Esto podría usarse para simplificar varias líneas del bashscript.

información relacionada