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——一个是包含基因变异的大文件，多列由制表符分隔。包含基因名称的列可以包含单个名称，也可以包含多个名称，以逗号分隔（示例中的基因名称为 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[$0]=1; } gene[$7]' firstfile.txt > newfile.txt

但是，这只会打印完全匹配，因此不会打印带有 NOC2L、SAMD11 的行。从上面的示例中，预期的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，因为某些基因名称可能相似 - 例如，可能有一个名为 SAMD1 的基因，如果我对此进行模糊匹配，那么我会得到 SAMD1、SAMD11 等等.所以我需要一些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的东西。

提前致谢。

Answer 1

$ cat tst.awk
NR==FNR { genes[$0]; next }
{
    split($7,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

这也可以：

$ cat tst.awk
NR==FNR { genes[$0]; next }
{
    for (gene in genes) {
        if ($7 ~ "(^|,)"gene"(,|$)") {
            print
            next
        }
    }
}