☰

пересечение двух файлов (значения в файле 1, которые попадают в диапазон значений в файле 2)

tag-icon • tag-icon text-processing python perl bioinformatics
пересечение двух файлов (значения в файле 1, которые попадают в диапазон значений в файле 2)

У меня есть файл с именем, snp_dataсодержащийSNP (однонуклеотидный полиморфизм)Данные хромосом. Это CSV-файл с тремя столбцами, разделенными пробелами, который имеет следующий формат:

user@host:~$ cat snp_data

snp_id    chromosome  position
Chr01__912 1 912 1
Chr01__944 1 944 1
Chr01__1107 1 1107 1
Chr01__1118 1 1118 1
Chr01__1146 1 1146 1
Chr01__1160 1 1160 1
...
...
...
Chr17__214708367 17 214708367
Chr17__214708424 17 214708424
Chr17__214708451 17 214708451
Chr17__214708484 17 214708484
Chr17__214708508 17 214708508

Обратите внимание, что для каждой строки snp_idполе имеет форму Chr{chromosome}__{position}для соответствующих значений chromosomeи position.

У меня есть еще один файл с именем, windowсодержащий вспомогательные данные. Это 5-колоночный CSV-файл с разделителями-пробелами, который имеет следующий формат:

user@host:~$ cat window

seqname chromosome start end width
1 Chr1 1 15000 15000
2 Chr1 15001 30000 15000 
3 Chr1 30001 45000 15000
4 Chr1 45001 60000 15000 
5 Chr1 60001 75000 15000 
6 Chr1 75001 90000 15000 
...
...
...
199954 Chr17 214620001 214635000 15000
199955 Chr17 214635001 214650000 15000
199956 Chr17 214650001 214665000 15000
199957 Chr17 214665001 214680000 15000
199958 Chr17 214680001 214695000 15000
199959 Chr17 214695001 214708580 13580

Обратите внимание на соответствие между файлами windowи , snp_dataопределяемое значением поля chromosomeв windowфайле и значениями полей chromosomeи snp_idв snp_dataфайле, например, строки со значением "Chr1"в windowсоответствуют строкам в snp_dataсо значением 1для chromosomeи , строки которых snp_idначинаются с префикса Chr01__.

Для каждой строки в snp_dataфайле (каждого snp в каждой хромосоме), если значение этой строки positionпопадает в диапазон, заданный значениями startи endлюбой из строк windowдля этой конкретной хромосомы, то добавить seqnameиз windowфайла к строке из файла snp_data.

Для приведенных выше входных данных я бы хотел получить следующий результат:

user@host:~$ cat desired_output

snp_id  chromosome  position   window
Chr01__912  1   912      1
Chr01__944  1   944      1
Chr01__1107 1   1107     1
...
...
...
Chr17__214708367 17 214708367   199959
Chr17__214708424 17 214708424   199959
Chr17__214708451 17 214708451   199959
Chr17__214708484 17 214708484   199959
Chr17__214708508 17 214708508   199959

Суть в том, что позиции уникальны только в пределах каждой хромосомы, поэтому мне нужно сравнить эти 2 файла хромосома за хромосомой (т.е. для каждой хромосомы отдельно). Как это сделать?

решение1

Вот скрипт на Python, который должен сделать то, что вам нужно:

#!/usr/bin/env python2
# -*- coding: ascii -*-
"""intersect_snp.py"""

import sys

# Read data from the SNP file into a list
snp_list = []
with open(sys.argv[1], 'r') as snp_file:
    for line in snp_file:
        snp_row = line.split() 
        snp_list.append(snp_row)

# Read data from the "window" file into a dictionary of lists
win_dict = {} 
with open(sys.argv[2], 'r') as win_file:
    for line in win_file:
        seqnames, chromosome, start, end, width = win_row = line.split()
        if chromosome not in win_dict:
            win_dict[chromosome] = []
        win_dict[chromosome].append(win_row)

# Compare data and compute results
results = []

# Iterate over snp data rows
for snp_row in snp_list:

    # Extract the field values for each snp row
    snp_id, chromosome, position = snp_row

    # Convert the chromosome to match the format in the "window" file
    # i.e. `1` -> `Chr1`
    chromosome_name = "Chr{}".format(chromosome)

    # Iterate over the "window" rows corresponding to that chromosome
    for win_row in win_dict.get(chromosome_name, []):

        # Extract the field values for each "window" row
        seqnames, chromosome, start, end, width = win_row

        # Perform the desired comparison
        if int(start) <= int(position) <= int(end):

            # If the comparison returns true, construct the result row
            result = [snp_id, chromosome, position, seqnames]
            results.append(result)
            break

# Print the output column headers
columns = ["snp_id", "chromosome", "position", "window"]
print(" ".join(columns))

# Print the results
for row in results:
    print(' '.join(row))

Обратите внимание, что этот скрипт предполагает, что все ваши строки являются строками данных. Если ваши входные файлы именованы snp_data, windowто вы можете выполнить его следующим образом:

python intersect_snp.py snp_data window

Если в ваших файлах есть строки заголовков, то вы можете tailпропустить/удалить заголовки и выполнить их следующим образом:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

Предположим, что это ваш snp_dataфайл:

snp_id              chromosome  position
Chr01__912          1           912
Chr01__944          1           944
Chr01__1107         1           1107
...
...
...
Chr17__214708367    17          214708367
Chr17__214708424    17          214708424
Chr17__214708451    17          214708451
Chr17__214708484    17          214708484
Chr17__214708508    17          214708508

И это ваш windowфайл:

seqnames    chromosome  start       end         width
1           Chr1        1           15000       15000
2           Chr1        15001       30000       15000
3           Chr1        30001       45000       15000
4           Chr1        45001       60000       15000
5           Chr1        60001       75000       15000
...
...
...
199954      Chr17       214620001   214635000   15000
199955      Chr17       214635001   214650000   15000
199956      Chr17       214650001   214665000   15000
199957      Chr17       214665001   214680000   15000
199958      Chr17       214680001   214695000   15000
199959      Chr17       214695001   214708580   13580

Затем, если мы выполним эту команду:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

Получаем следующий вывод:

snp_id chromosome position window
Chr01__912 Chr1 912 1
Chr01__944 Chr1 944 1
Chr01__1107 Chr1 1107 1
...
...
...
Chr17__214708367 Chr17 214708367 199959
Chr17__214708424 Chr17 214708424 199959
Chr17__214708451 Chr17 214708451 199959
Chr17__214708484 Chr17 214708484 199959
Chr17__214708508 Chr17 214708508 199959

решение2

Чтобы избежать большого времени ожидания, вы можете сделать это с помощью минималистичного SQL-движка SQLite, который часто предустанавливается в Linux. Он не запускает сервер и работает с базами данных SQL, которые хранятся в файлах.

В каталоге snp_data и window выполните:

cat snp_data | tr -s " " > snp_data.csv
sed 's#Chr##g' window | tr -s " " > window.csv

Это нормализует пробелы между полями и подготавливает их к импорту.

Затем импортируйте эти данные в SQL и выполните запрос, чтобы получить вывод:

cat > task.sql
CREATE TABLE snp_data (snp_id text,chromosome int, position int);
CREATE TABLE window (seqname int,chromosome int, c_start int , c_end int, c_width int);

.mode csv
.separator "  "
.import snp_data.csv snp_data
.import window.csv window

.mode column
.header on
SELECT D.snp_id, D.chromosome, D.position, W.seqname FROM snp_data D, window W WHERE W.chromosome=D.chromosome AND D.position BETWEN W.c_start AND W.c_end;

[CTRL+D здесь для остановки ввода]

И наконец:

cat task.sql | sqlite3 my_database.db

В целом, для больших файлов это должно быть быстрее.

Связанный контент