awk - 从变量追加字段

Question

第一次在这里发帖，这是一个 awk 问题。

我有一个如下所示的文件：

Motif name class from to strand sequence score
>ENSBTAG00000000436                         
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33
... (50 similar lines)
>ENSBTAG00000000380                         
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03
... (57 similar lines)

等等。请注意，>ENSBTA 行是一组记录的“标签”。所以我想要的是将 >ENSBTA 行作为字段附加到以 MA 开头的行中......即

MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 >ENSBTAG00000000436

到现在为止

awk '{if (NR>1&&NF==1) genename=$1; if (NR>1&&NF>1) print $0, genename}'

这非常接近，但它没有将 ENST 标识符与正确的行保持一致。因此，参考上面的示例，并非文件第二部分的所有 57 行都获得了正确的标识符（ENSBTAG00000000380）。

有人可以建议解决此问题的最佳方法吗？

谢谢

伊恩

Answer 1

未经测试，但这样的东西应该接近你想要的：

awk '/^>ENSBTAG/{tag=$0;}/^MA/{print $0,tag}'

本质上说，如果该行与行首的“>ENSBTAG”匹配，则将该行保存在一个变量中，但如果它与行首的“MA”匹配，则打印附加了最新标签的行.

如果您的记录行不总是匹配“^MA”（示例中的所有行都匹配，但我不想假设），或者如果标签有时看起来有点不同，您需要相应地修改正则表达式。

Answer 2

这个 oneliner 会给你以下输出（见测试）。第一行 "Motif name class from to strand sequence score" 也会被打印出来。

awk '/^>[A-Z]*/{l=$0;next;}{print $0" "l}' file

测试

kent$  cat a
Motif name class from to strand sequence score
>ENSBTAG00000000436
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33
MA0080.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.34
MA0082.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.35
>ENSBTAG00000000380
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.04
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.05

kent$  awk '/^>[A-Z]*/{l=$0;next;}{print $0" "l}' a
Motif name class from to strand sequence score 
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 >ENSBTAG00000000436
MA0080.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.34 >ENSBTAG00000000436
MA0082.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.35 >ENSBTAG00000000436
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03 >ENSBTAG00000000380
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.04 >ENSBTAG00000000380
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.05 >ENSBTAG00000000380