0

这是与生物信息学相关的问题,但仍然是一个非常编程的问题。我没有为下面给出的问题在 bash 中建立一些衬里,并想在这里问它。请帮忙。

问题:我有两个文件(制表符分隔)。文件 A 看起来像

chr1    17050255    234916798
chr1    36688211    36840408
chr1    153961765   154156955
chr1    154128722   154194653
chr1    154130378   154156872
chr1    207493679   207819735

这是基因组坐标的列表。

文件 B 在其前 3 列中还包含基因组坐标,在第四列中它有一个名称。

chr1    1709155 1709324 MMM3
chr1    1709155 1709324 Sk-20
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZA
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1

我想要文件 B 的区域(连同第四列)与文件 A 重叠并像这样打印

ChrA   StrtA    stpA    ChrB  SrtB  StpB       Name 

文件 A 中的区域首先出现,然后是文件 B 中与它重叠的区域以及文件 B 中第四列的值。

谢谢

4

3 回答 3

3

使用床具intersectBed:http ://code.google.com/p/bedtools/wiki/Usage#intersectBed

(你也可以问http://www.biostars.org/

于 2012-11-15T14:35:28.900 回答
2

我绝对建议看pandas来做这样的事情。将两者加载到单独的 DataFrame 中,然后您应该能够以您希望看到的格式将它们合并在一起。

于 2012-11-15T13:57:41.920 回答
1

您可以使用DBD::CSV以 SQL 方式处理您的问题:

#!/usr/bin/env perl
use strict;
use utf8;
use warnings 'all';

use Data::Printer;
use DBI;

my $dbh = DBI->connect('dbi:CSV:', undef, undef, {
    f_encoding      => 'utf8',
    csv_quote_char  => undef,
    csv_escape_char => undef,
    csv_sep_char    => "\t",
    csv_eol         => "\n",
    csv_quote_space => 0,
    csv_quote_null  => 0,
    csv_tables      => {
        fileA       => { file => 'fileA.tsv' },
        fileB       => { file => 'fileB.tsv' },
    },
    RaiseError      => 1,
    PrintError      => 1,
}) or die "DBI/DBD::CSV error: " . $DBI::errstr;

my $sth = $dbh->prepare(<<SQL_QUERY);
    SELECT *
    FROM fileA
    JOIN fileB ON
        (StrtA <= StpB) OR (StrtB <= StpA)
    WHERE Name IS NOT NULL
SQL_QUERY

$sth->execute;
while (my $row = $sth->fetchrow_arrayref) {
    p $row;
}
$sth->finish;
$dbh->disconnect;

(不过,我不确定我是否理解您的重叠条件)

于 2012-11-15T14:47:15.963 回答