Perl -> 在数组散列的散列中比较数组中的相同位置

Question

我正在处理同事制作的 bash 脚本。由于 bash 中没有多维数据结构，因此有很多解决方法来处理输入文件。当我看到他的脚本时，我认为 Perl 可以更轻松地处理它。我认为我在转换方面做得不错，但现在我被卡住了。对于那些知道的人，输入文件采用变体调用格式 (VCF)。基本上是一个制表符分隔的文本文件，在特定列中包含特定信息位。输入文件如下所示：

##fileformat=VCFv4.2
#CHROM  POS ID  REF ALT QUAL    FILTER  INFO    FORMAT  MBWGS139
AF2122_NC002945 1012102 .   A   G   1137.77 .   AC=2;AF=1.00;AN=2   GT:AD:DP:GQ:PL  1/1:0,29:29:87:1166,87,0
AF2122_NC002945 103811  .   C   G   241.84  .   AC=2;AF=1.00;AN=2   GT:AD:DP:GQ:PL  1/1:0,6:6:18:270,18,0

我做的第一件事是将所有文件信息存储在散列中。通过逐行循环每个文件，多个文件（或示例）都集成在 "master" 哈希中。主哈希的构造如下：

push(@{ $vcfs{$sample}{$CHROM}{$POS} }, $ID, $REF, $ALT, $QUAL, $FILTER, $INFO, $FORMAT, $SAMPLE);

然后我需要过滤掉"bad"个职位。我将在此处跳过该代码，但我保留的信息位存储在一个新的散列中，该散列是这样创建的：

push ( @{ $fastas{$sample}{$chrom}{$pos} }, $allele);

假设 $allele = $ALT（但它有点复杂）。所以在 %fasta 里面它看起来像这样：

Sample1
    chrom1
        pos1 = A
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G
Sample2
    chrom1
        pos1 = C
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G

看到这个就像我使用 Data::Dumper 打印它一样...您还可以看到，对于那部分代码，我放弃了很多信息。

最后一个过滤步骤是去除特定位置所有样本共有的"alleles"。在前面的例子中，只有 pos1 的 chrom 会被保留。最终的哈希值如下所示：

Sample1
    chrom1
        pos1 = A
Sample2
    chrom1
        pos1 = C

我找到了一种方法，就是放弃位置信息。我需要保留它。如果有人能在这里帮助我，我将不胜感激。如果有帮助，我可以提供我当前的解决方案。

谢谢，马可

Answer 1

我找到了 2 种方法来获得所需的输出。但是，鉴于只有 4 个等位基因需要考虑，我想知道在更大的数据集中怎么可能有一个是独一无二的。

该解决方案包含一个 %count 散列，可用于查找独特的等位基因。

#!/usr/bin/perl
use strict;
use warnings;

my (%fastas, %counts);

my ($sample, $chr);
while (<DATA>) {
    if (/^(\S.+)$/) {
        $sample = ;   
    }
    elsif (/^\t(\S.+)$/) {
        $chr = ;  
    }
    elsif (/^\t\t(pos\d+)\s=\s([TAGC])$/) {
        my $pos = ,
        my $allele = ;
        push @{ $fastas{$sample}{$chr}{$pos} }, $allele;
        $counts{$allele}++; 
    }
    else {
        die "Unknown input line $.: <<$_>>";    
    }
}

for my $sample (keys %fastas) {
    my $chr_ref = $fastas{$sample};

    for my $chr (keys %$chr_ref) {
        my $pos_ref = $chr_ref->{$chr};

        for my $pos (keys %$pos_ref) {
            my $allele_ref = $pos_ref->{$pos};

            for my $allele (@$allele_ref) {
                print "$sample $chr $pos $allele\n"
                    if $counts{$allele} == 1;   
            }
        }
    }   
}

__DATA__
Sample1
    chrom1
        pos1 = A
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G
Sample2
    chrom1
        pos1 = C
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G

第二种解决方案利用了Deep::Hash::Utils模块。它通过消除第一个解决方案中的嵌套循环来简化代码。

#!/usr/bin/perl
use strict;
use warnings;
use Deep::Hash::Utils 'reach';

my (%fastas, %counts);

my ($sample, $chr);
while (<DATA>) {
    if (/^(\S.+)$/) {
        $sample = ;   
    }
    elsif (/^\t(\S.+)$/) {
        $chr = ;  
    }
    elsif (/^\t\t(pos\d+)\s=\s([TAGC])$/) {
        my $pos = ,
        my $allele = ;
        push @{ $fastas{$sample}{$chr}{$pos} }, $allele;
        $counts{$allele}++; 
    }
    else {
        die "Unknown input line $.: <<$_>>";    
    }
}

while (my @list = reach(\%fastas)) {
    my $allele = $list[-1];
    print "@list\n" if $counts{$allele} == 1;
}

__DATA__
Sample1
    chrom1
        pos1 = A
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G
Sample2
    chrom1
        pos1 = C
        pos2 = T
    chrom2
        pos1 = A
        pos2 = G

在您提供的数据集上，两种解决方案都打印了 Sample2 chrom1 pos1 C。

Perl -> 在数组散列的散列中比较数组中的相同位置

Perl -> compare same postitions in arrays in a hash of hashes of arrays

arrays

perl

hash

hash-of-hashes