我正在尝试处理从整体下载的GTF / GFF文件。文件的截断版本如下所示:
1 ensembl gene 5273 10061 . - . gene_id ENSGALG00000054818; gene_version 1; gene_source ensembl; gene_biotype protein_coding;
1 ensembl transcript 5273 10061 . - . gene_id ENSGALG00000054818; gene_version 1; transcript_id ENSGALT00000098984; transcript_version 1; gene_source ensembl; gene_biotype protein_coding; transcript_source ensembl; transcript_biotype protein_coding;
1 ensembl gene 58427 58617 . + . gene_id ENSGALG00000047594; gene_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA;
1 ensembl transcript 58427 58617 . + . gene_id ENSGALG00000047594; gene_version 1; transcript_id ENSGALT00000094382; transcript_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA;
1 ensembl exon 58427 58617 . + . gene_id ENSGALG00000047594; gene_version 1; transcript_id ENSGALT00000094382; transcript_version 1; exon_number 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA; exon_id ENSGALE00000460125; exon_version 1;
1 ensembl gene 63264 63454 . + . gene_id ENSGALG00000049206; gene_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA;
1 ensembl transcript 63264 63454 . + . gene_id ENSGALG00000049206; gene_version 1; transcript_id ENSGALT00000092780; transcript_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA;
1 ensembl exon 63264 63454 . + . gene_id ENSGALG00000049206; gene_version 1; transcript_id ENSGALT00000092780; transcript_version 1; exon_number 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA; exon_id ENSGALE00000501941; exon_version 1;
(九个制表符分隔的列。)
在一些行有属性缺少像gene_name
,transcript_id
或transcript_name
。
gene_name
缺少,我想将其替换为gene_id
,transcript_name
丢失了,我想用替换transcript_id
(如果丢失,transcript_id
则替换为gene_id
)。但是,关于该信息的信息transcript_id
或更好地说,此信息的位置是未知的。我将如何查找属性,并在缺少属性的情况下,将其替换为transcript_id
位置信息未知的值
我实现替换丢失的价值gene_name
与价值gene_id
是这样的:
awk '{if (!/gene_name/) print $0, "gene_name " $10; else print $0}' input.gtf > output.gtf
这工作得很好,但这只是因为在这种特殊情况下,我知道用作替换值的位置。当比赛的位置未知时,我不知道该如何实现。
我使用以下代码来获取未知的位置信息,但无法像上面的第一个示例一样集成对失配的检查:
awk '{for (i=1; i<=NF; ++i) { if ($i ~ "transcript_name") print$0,"transcript_name ", $(i+1) } }' input.gtf > output.gtf
条件是,仅当transcript_name
行中尚不存在时,才应将其替换为的值transcript_id
。
我真的很感谢您的帮助!
使用awk脚本;
script.awk:
#!/usr/bin/awk -f
BEGIN {
FS=OFS="\t"
}
{
gsub(/; *$/, "", $9) # trim trailing `;'
split($9, pairs, / *; */) # split attributes into pairs
for (i in pairs) {
split(pairs[i], kv, / */) # split pair into key and value
attr[kv[1]] = kv[2] # add it to `attr'
}
# fill missing fields
if (!("gene_name" in attr))
attr["gene_name"] = attr["gene_id"]
if (!("transcript_id" in attr))
attr["transcript_id"] = attr["gene_id"]
if (!("transcript_name" in attr))
attr["transcript_name"] = attr["transcript_id"];
# recreate the attributes field
attr_all = sep = ""
for (k in attr) {
attr_all = attr_all sep k " " attr[k]
sep = "; "
}
# update the record with new attributes
$9 = attr_all
}
1 # print record
用法示例:
awk -f script.awk inputfile
在线演示。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句