如何在 unix 中匹配列中的 ID？

Question

我完全知道可能已经发布了类似的问题，但经过搜索，我们的问题细节似乎有所不同（或者至少我没有找到可以在我的案例中采用的解决方案） .

我目前有两个文件："messyFile" 和 "wantedID"。 "messyFile" 的大小为 80,000,000 X 2,500，而 "wantedID" 的大小为尺寸 1 x 462。在"messyFile"的第253行，有2500个ID。然而，我想要的只是文件"wantedID"中的462个ID。假设 462 个 ID 是 2500 个 ID 的子集，我如何处理文件 "messyFile" 使其仅包含有关 462 个 ID 的信息（即大小 80,000,000 X 462).

非常感谢您的耐心等待！

ps：抱歉造成混淆。但是，是的，这个问题可以归结为这样的事情。 "File#1"第一行有10个ID。 "File#2"第一行有3个ID（"File#2"只有1行）。这 3 个 ID 是 10 个 ID 的子集。现在，我希望处理"File#1"，使其只包含"File#2"中列出的3个ID的信息。

ps2："messyFile"是vcf文件，而"wantedID"可以是一个文本文件（我说 "can be" 因为它很小，所以我几乎可以为它制作任何类型）

ps3："File#1" 应该看起来像这样：

sample#1 sample#2 sample#3 sample#4 sample#5
    0        1       0        0        1
    1        1       2        0        2

"File#2" 应该看起来像这样：

sample#2 sample#4 sample#5

所需的输出应如下所示：

sample#2 sample#4 sample#5
   1        0        1
   1        0        2

Answer 1

好的，我不知道什么是 vcf 文件，但如果您提供的文件#1 和文件#2 示例是包含制表符分隔列的文件，这将有效：

declare -a data=(`head -1 data.txt`)
declare -a header=(`head -1 header.txt`)

declare fields
declare -i count
for i in "${header[@]}" ; do
  count=0
  for j in "${data[@]}" ; do
    count=$count+1;
    if [ $i == $j ] ; then
      fields=$fields,$count
    fi
  done
done

cut -f ${fields:1} data.txt

如果它们不是制表符分隔值，也许可以针对实际数据格式进行修改。

Answer 2

解析VCF格式，使用bcftools:

http://samtools.github.io/bcftools/bcftools.html

具体针对您的任务，请参阅 view 命令：

http://samtools.github.io/bcftools/bcftools.html#view

示例：

bcftools view -Ov -S 462sample.list -r chr:pos -o subset.vcf superset.vcf

您需要获取 SNP 的位置以在上面指定 chr:pos。

您可以使用 DbSNP 执行此操作：

http://www.ncbi.nlm.nih.gov/SNP/index.html

只需确保基因组构建与 VCF 文件中使用的构建相匹配。

你也可以使用plink:

https://www.cog-genomics.org/plink2

但是，PLINK 对重复的 SNP 和其他事情很挑剔，因此除非您解决这些问题，否则它可能会抱怨。

我已经使用 awk 编程语言完成了您过去尝试的操作。为了您的理智，我建议使用上述工具之一:)

如何在 unix 中匹配列中的 ID？

How to match ID in column in unix?

unix

bioinformatics

bcftools

vcf-variant-call-format