在 awk 中解析数据

Question

我有这样的基因数据：

MUT1    G_->_A_(het)    44%_(96)___[45%_(49)_/_43%_(47)]    rs1799967_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP,MutDB) c.4956G>A   1
MUT1    A_->_G_(homo)   99%_(297)___[99%_(151)_/_99%_(146)] rs206075_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP)    c.4563A>G   1
MUT1    G_->_C_(homo)   100%_(259)___[100%_(132)_/_100%_(127)]  COSM4147689_(COSMIC),_COSM4147690_(COSMIC),_rs206076_(Gene_file;_1000Genomes;_ClinVar;_ClinVarVCF;_dbSNP)   c.6513G>C   2
MUT1    A_->_C_(het)    41%_(103)___[42%_(53)_/_40%_(50)]   COSM3753646_(COSMIC),_COSM147663_(COSMIC),_rs144848_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP,MutDB)   c.1114A>C   5

我需要解析这些数据并仅提取某种字段。

要求输出是：

MUT1    het 44% rs1799967 c.4956G>A 1
MUT1    homo 99% rs206075c.4563A>G  1
MUT1    homo 100% rs206076 c.6513G>C    2
MUT1    het 41% rs144848 c.1114A>C  5

所以输出应该是 - 所有第一列，仅从第二列 het 或 hom，第三列只有 %，第五列应该仅提取 rs_number - 这始终具有不同的位置和最后一列。

注意：我知道，关于 homo/het 的信息总是在第二列的最后一个字段中。并且 % 总是在第三列的第一个字段上。

我的解决办法是：

awk -v OFS="\t" '{print $1,$5,$6,$9,$10,$11}' zkouska.csv | awk -v OFS="\t" 'NR>1{split($2,arr2,"_"); split($3,arr3,"_"); print $1,arr2[4],arr3[1],$4,$5,$6}' 

但输出是：

BRCA1   (het)   44% rs1799967_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP,MutDB) c.4956G>A   1
BRCA1   (homo)  99% rs206075_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP)    c.4563A>G   1
BRCA1   (homo)  100%    COSM4147689_(COSMIC),_COSM4147690_(COSMIC),_rs206076_(Gene_file;_1000Genomes;_ClinVar;_ClinVarVCF;_dbSNP)   c.6513G>C   2
BRCA1   (het)   41% COSM3753646_(COSMIC),_COSM147663_(COSMIC),_rs144848_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP,MutDB)   c.1114A>C   5
BRCA1   (homo)  100%    COSM148277_(COSMIC),_COSM3755561_(COSMIC),_rs16942_(Gene_file;_1000Genomes;_ClinVarVCF;_dbSNP)  c.3548A>G   5

从第五列提取 rs 仍有问题。删除第二个字段中的引号。输入和输出应该是 TAB 分开的。 解决方案不能只在 awk 中。

Answer 1

$ perl -lne 'print join "\t", /^(\S+)/,/^[^(]+\(\K([^)]+)/,/^[^)]+\)\s+\K(\d+%)/,/(rs\d+)/,/(\S+\s+\S+)\s*$/' file
MUT1    het 44% rs1799967   c.4956G>A   1
MUT1    homo    99% rs206075    c.4563A>G   1
MUT1    homo    100%    rs206076    c.6513G>C   2
MUT1    het 41% rs144848    c.1114A>C   5

• /^(\S+)/ 从行首提取非空白字符
• /^[^(]+\(\K([^)]+)/ 提取第一个 () 之间的字符
• /^[^)]+\)\s+\K(\d+%)/ 在第一个 ) 之后提取数字的第一个匹配项，然后是 %
• /(rs\d+)/ 提取 rs 后跟数字
• /(\S+\s+\S+)\s*$/ 提取最后两列

另一种方法是分别处理每个字段，类似于bash和awk解决方案

$ perl -lane '
$F[1] =~ s/.*\(|\)//g;
$F[2] =~ s/_.*//;
($F[3]) = $F[3] =~ m/(rs\d+)/;
print join "\t", @F;
' file
MUT1    het 44% rs1799967   c.4956G>A   1
MUT1    homo    99% rs206075    c.4563A>G   1
MUT1    homo    100%    rs206076    c.6513G>C   2
MUT1    het 41% rs144848    c.1114A>C   5

Answer 2

结合使用gsub 和match 可能是可行的方法，这是一个可移植的示例：

parse.awk

{
  gsub(/^[^(]+\(|\)/, "", $2)
  gsub(/_.*/, "", $3)
  match($4, /rs[0-9]+/)
  print $1, $2, $3, substr($4, RSTART, RLENGTH), $5, $6
}

像这样运行它：

awk -f parse.awk OFS='\t' < infile

输出：

MUT1    het     44%     rs1799967   c.4956G>A   1
MUT1    homo    99%     rs206075    c.4563A>G   1
MUT1    homo    100%    rs206076    c.6513G>C   2
MUT1    het     41%     rs144848    c.1114A>C   5

Answer 3

我为您的要求发布了纯 bash 逻辑。

#!/bin/bash

while read col1 col2 col3 col4 col5 col6
do
    subcol2="${col2#*(}";subcol2=${subcol2%)*}                             # Extracting string within the braces '()' using parameter-expansion              
    [[ $col4 =~ .*rs([[:digit:]]+).* ]] && subcol4="${BASH_REMATCH[1]}"    # RegEx in bash to extract number following the 'rs' string
    printf "%s %s %s %s %s %s\n" "$col1" "$subcol2" "${col3%%_*}" "rs$subcol4" "$col5" "$col6"
done <file

在运行脚本时，产生的结果为

$ bash script.sh
MUT1 het 44% rs1799967 c.4956G>A 1
MUT1 homo 99% rs206075 c.4563A>G 1
MUT1 homo 100% rs206076 c.6513G>C 2
MUT1 het 41% rs144848 c.1114A>C 5

注意：解决方案在较大文件上的执行速度可能会较慢。我仅在您的示例文件上对此进行了测试。