我有两个文件:
regions.txt:第一列是染色体名称,第二列和第三列是开始和结束位置。
1 100 200
1 400 600
2 600 700
coverage.txt:第一列是染色体名称,第二列和第三列是开始和结束位置,最后一列是分数。
1 100 101 5
1 101 102 7
1 103 105 8
2 600 601 10
2 601 602 15
这个文件非常大,大约有 15GB,大约有 3 亿行。
我基本上想获得 regions.txt 中每个区域中 coverage.txt 中所有分数的平均值。
也就是说,从regions.txt的第一行开始,如果coverage.txt中有一行是相同的染色体,start-coverage >= start-region,end-coverage <= end -region,然后将其分数保存到一个新数组中。在所有 coverages.txt 中完成搜索后,打印区域染色体、开始、结束和已找到的所有分数的平均值。
预期输出:
1 100 200 14.6 which is (5+7+8)/3
1 400 600 0 no match at coverages.txt
2 600 700 12.5 which is (10+15)/2
我构建了以下 MATLAB 脚本,这需要很长时间,因为我必须多次循环 coverage.txt。我不知道如何快速制作类似 awk 的脚本。
我的 matlab 脚本
fc = fopen('coverage.txt', 'r');
ft = fopen('regions.txt', 'r');
fw = fopen('out.txt', 'w');
while feof(ft) == 0
linet = fgetl(ft);
scant = textscan(linet, '%d%d%d');
tchr = scant{1};
tx = scant{2};
ty = scant{3};
coverages = [];
frewind(fc);
while feof(fc) == 0
linec = fgetl(fc);
scanc = textscan(linec, '%d%d%d%d');
cchr = scanc{1};
cx = scanc{2};
cy = scanc{3};
cov = scanc{4};
if (cchr == tchr) && (cx >= tx) && (cy <= ty)
coverages = cat(2, coverages, cov);
end
end
covmed = median(coverages);
fprintf(fw, '%d\t%d\t%d\t%d\n', tchr, tx, ty, covmed);
end
关于使用 AWK、Perl 或 ... 等进行替代的任何建议,如果有人能教我如何摆脱我的 matlab 脚本中的所有循环,我也会很高兴。
谢谢
最佳答案
这是一个 Perl 解决方案。我使用散列(又名字典)通过染色体访问各种范围,从而减少循环迭代的次数。
这可能很有效,因为我不会在每个输入行上对 regions.txt
进行完整循环。使用多线程时,效率可能会进一步提高。
#!/usr/bin/perl
my ($rangefile) = @ARGV;
open my $rFH, '<', $rangefile or die "Can't open $rangefile";
# construct the ranges. The chromosome is used as range key.
my %ranges;
while (<$rFH>) {
chomp;
my @field = split /\s+/;
push @{$ranges{$field[0]}}, [@field[1,2], 0, 0];
}
close $rFH;
# iterate over all the input
while (my $line = <STDIN>) {
chomp $line;
my ($chrom, $lower, $upper, $value) = split /\s+/, $line;
# only loop over ranges with matching chromosome
foreach my $range (@{$ranges{$chrom}}) {
if ($$range[0] <= $lower and $upper <= $$range[1]) {
$$range[2]++;
$$range[3] += $value;
last; # break out of foreach early because ranges don't overlap
}
}
}
# create the report
foreach my $chrom (sort {$a <=> $b} keys %ranges) {
foreach my $range (@{$ranges{$chrom}}) {
my $value = $$range[2] ? $$range[3]/$$range[2] : 0;
printf "%d %d %d %.1f\n", $chrom, @$range[0,1], $value;
}
}
调用示例:
$ perl script.pl regions.txt <coverage.txt >output.txt
示例输入的输出:
1 100 200 6.7
1 400 600 0.0
2 600 700 12.5
(因为(5+7+8)/3 = 6.66…)
关于perl - 从文件中获取属于其他文件中区域的区域(无循环),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12872469/