当第二个文件列包含逗号时，使用 awk 将一个文件的列与另一个文件的列匹配

Question

我有两个文件 - 一个是包含基因变体的大文件，多列由制表符分隔。包含基因名称的列可能包含单个名称，或以逗号分隔的多个名称（示例中的基因名称是 SAMD11 和 NOC2L）：

1   874816  874816  -   T   rs200996316 SAMD11  exonic  ENSG00000187634 frameshift insertion
1   878331  878331  C   T   rs148327885 SAMD11  exonic  ENSG00000187634 nonsynonymous SNV
1   879676  879676  G   A   rs6605067   NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976
1   879687  879687  T   C   rs2839  NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976
1   881918  881918  G   A   rs35471880  NOC2L   exonic  ENSG00000188976 nonsynonymous SNV
1   888659  888659  T   C   rs3748597   NOC2L   exonic  ENSG00000188976 nonsynonymous SNV

第二个文件是基因名称的单列列表，例如：

EVC2
SAMD11
COMT

我想将第二个文件中的基因名称与第一个文件中的基因名称相匹配。我目前正在使用 awk:

awk -F $'\t' 'BEGIN { while(getline <"secondfile.txt") gene[[=12=]]=1; } gene[]' firstfile.txt > newfile.txt

但是，这只会打印完全匹配的内容，因此不会打印带有 NOC2L,SAMD11 的行。从上面的示例中，预期输出将是第一个文件的前四行：

1   874816  874816  -   T   rs200996316 SAMD11  exonic  ENSG00000187634 frameshift insertion
1   878331  878331  C   T   rs148327885 SAMD11  exonic  ENSG00000187634 nonsynonymous SNV
1   879676  879676  G   A   rs6605067   NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976
1   879687  879687  T   C   rs2839  NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976

我希望它仍然进行精确匹配，因为一些基因名称可能相似 - 例如，可能有一个名为 SAMD1 的基因，如果我对其进行模糊匹配，那么我会得到 SAMD1、SAMD11 和很快。所以我需要一些可以完全匹配但忽略基因名称列中的逗号，或将其视为字段分隔符或类似内容的东西。

提前致谢。

Answer 1

$ cat tst.awk
NR==FNR { genes[[=10=]]; next }
{
    split(,a,/,/)
    for (i in a) {
        if (a[i] in genes) {
            print
            next
        }
    }
}

$ awk -f tst.awk secondfile.txt firstfile.txt
1   874816  874816  -   T   rs200996316 SAMD11  exonic  ENSG00000187634 frameshift insertion
1   878331  878331  C   T   rs148327885 SAMD11  exonic  ENSG00000187634 nonsynonymous SNV
1   879676  879676  G   A   rs6605067   NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976
1   879687  879687  T   C   rs2839  NOC2L,SAMD11    UTR3    ENSG00000187634,ENSG00000188976

这也行得通：

$ cat tst.awk
NR==FNR { genes[[=11=]]; next }
{
    for (gene in genes) {
        if ( ~ "(^|,)"gene"(,|$)") {
            print
            next
        }
    }
}

当第二个文件列包含逗号时，使用 awk 将一个文件的列与另一个文件的列匹配

Match column of one file to column of another using awk when second file column contains commas

awk

grep

delimiter