Bash/Awk：使用重叠坐标查找两个文件中的常见易位

Question

我想比较两个文件以确定常见易位。但是，这些易位在文件之间的坐标并不完全相同。所以我想看看易位是否发生在同一对染色体（chr1，chr2）之间，坐标是否重叠。

以下是两个文件的示例：

file_1.txt:

chr1 min1 max1 chr2 min2 max2
1 111111 222222 2 333333 444444
2 777777 888888 3 555555 666666
15 10 100 15 2000 2100
17 500 530 18 700 750   
20 123456 234567 20 345678 456789

file_2.txt:

chr1 min1 max1 chr2 min2 max2
1 100000 200000 2 400000 500000
2 800000 900000 3 500000 600000
15 200 300 15 2000 3000
20 150000 200000 20 300000 500000

objective是文件1和文件2的chr1和chr2对是相同的，那么两个文件的坐标min1和max1必须重叠。 min2 和 max2 相同。

对于结果，也许最好的解决方案是打印如下两行：

1   111111  222222  2   333333  444444
1   100000  200000  2   400000  500000

2   777777  888888  3   555555  666666
2   800000  900000  3   500000  600000

20  123456  234567  20  345678  456789
20  150000  200000  20  300000  500000

（对于这个简化的例子，我试图表示我可能遇到的不同类型的重叠。我希望它足够清楚）。

感谢您的帮助。

Answer 1

awk 救援！

$ awk 'function overlap(x1,y1,x2,y2) {return y1>x2 && y2>x1}
             {k= FS }
     NR==FNR {r[k]=[=10=]; c1min[k]=; c1max[k]=; c2min[k]=; c2max[k]=; next}
     overlap(c1min[k],c1max[k],,) &&
     overlap(c2min[k],c2max[k],,) {print r[k] ORS [=10=] ORS}' file1 file2

1 111111 222222 2 333333 444444
1 100000 200000 2 400000 500000

2 777777 888888 3 555555 666666
2 800000 900000 3 500000 600000

20 123456 234567 20 345678 456789
20 150000 200000 20 300000 500000

假定第一个文件可以保存在内存中并在末尾打印一个额外的空行。

Bash/Awk：使用重叠坐标查找两个文件中的常见易位

Bash/Awk: Find common translocations in two files using overlapping coordinates

bash

awk

overlap