Question

我想通过只取最后一列的一个特定部分来修改文件（gff3格式）！

我的文件看起来像这样，九个列由制表符空格分隔：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 ID = cds20267; Parent = rna22739; Dbxref = GeneID：107513619，Genbank：XP_016006018.1; Name = XP_016006018.1; gbkey = CDS; gene = A3GALT2; product = alpha_1％2C3-galactosyltransferase_2 protein_id = XP_016006018.1

我想只提取最后一栏（$ 9）中的基因名称（; gene = XXX;）。输出：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 A3GALT2

完成此操作后，我想将第4,5,7,8列和第9列中提取的值组合在一个唯一列中预期产出：

A3GALT2 1220137 1220159 - 0

我尝试使用awk仅在最后一列中采用模式gene = xxxx。我的基因名称是带或不带数字的大写字母;并由';'分隔第九栏中的分号。

awk  FS "[ \t]" '$9 ~/gene=[A-Z0-9]$/ {print $0, $4, $5, $7, $8}' <file>

它不起作用。是否有其他方法可以使用awk或sed或grep更好？

提前感谢您的帮助。

Answer 1

以下awk应该会帮助你。

awk '{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));$NF=""} 1'  Input_file

输出如下。

NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2

编辑： 正如我在评论中提到的那样，我很困惑你需要哪个输出，以防你需要你的第二个显示输出可能会帮助你。

awk '$9 ~ /.*gene=/{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));print $9,$4,$5,$7,$8} '  Input_file

输出如下。

A3GALT2 1220137 1220159 - 0

Answer 2

awk 解决方案：

random.seed(444)   # WHERE 444 IS ANY INTEGER

awk '{ split($9,a,";"); print substr(a[6],6),$4,$5,$7,$8 }' file - 使用split($9,a,";")作为分隔符将第9个字段拆分为数组a
; - 从子字符串substr(a[6],6)中提取所需的基因名称

输出：

gene=XXXXXXXX

Answer 3

一个简单的 awk 解决方案

$ awk '{match($9,/gene=(\w+);/,a); print a[1],$4,$5,$7,$8}' file
A3GALT2 1220137 1220159 - 0

{match($9,/gene=(\w+);/,a);：这将匹配gene=(\w+);中的正则表达式$9以及将存储在数组(\w+)中的捕获组a它

Answer 4

感谢您的回复和帮助。是的，我想要你输出的输出。仅保留基因名称，位置，链和相位信息。它们将被用作新的fasta seqs的标题。我会尝试这些命令。

使用特定列中的awk提取模式

4 个答案: