Question

我正在尝试处理从集成下载的GTF/GFF文件。文件的截断版本如下所示：

1   ensembl gene    5273    10061   .   -   .   gene_id ENSGALG00000054818; gene_version 1; gene_source ensembl; gene_biotype protein_coding;
1   ensembl transcript  5273    10061   .   -   .   gene_id ENSGALG00000054818; gene_version 1; transcript_id ENSGALT00000098984; transcript_version 1; gene_source ensembl; gene_biotype protein_coding; transcript_source ensembl; transcript_biotype protein_coding;
1   ensembl gene    58427   58617   .   +   .   gene_id ENSGALG00000047594; gene_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA;
1   ensembl transcript  58427   58617   .   +   .   gene_id ENSGALG00000047594; gene_version 1; transcript_id ENSGALT00000094382; transcript_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA;
1   ensembl exon    58427   58617   .   +   .   gene_id ENSGALG00000047594; gene_version 1; transcript_id ENSGALT00000094382; transcript_version 1; exon_number 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA; exon_id ENSGALE00000460125; exon_version 1;
1   ensembl gene    63264   63454   .   +   .   gene_id ENSGALG00000049206; gene_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA;
1   ensembl transcript  63264   63454   .   +   .   gene_id ENSGALG00000049206; gene_version 1; transcript_id ENSGALT00000092780; transcript_version 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA;
1   ensembl exon    63264   63454   .   +   .   gene_id ENSGALG00000049206; gene_version 1; transcript_id ENSGALT00000092780; transcript_version 1; exon_number 1; gene_name RF00004; gene_source ensembl; gene_biotype snRNA; transcript_name RF00004-201; transcript_source ensembl; transcript_biotype snRNA; exon_id ENSGALE00000501941; exon_version 1;

（九个制表符分隔的列。）

在某些行中，缺少诸如gene_name，transcript_id或transcript_name之类的属性。

如果缺少gene_name，我想将其替换为gene_id，
并且如果缺少transcript_name，我想用transcript_id替换它（如果缺少transcript_id，它将替换为gene_id）。

但是，transcript_id的信息还是可以说这个信息的位置未知。我将如何查找属性，并在缺少属性的情况下，将其替换为位置信息未知的transcript_id值

我实现了将gene_name的缺失值替换为gene_id的值，如下所示：

awk '{if (!/gene_name/) print $0, "gene_name " $10; else print $0}' input.gtf > output.gtf

这很好用，但仅是因为在这种特殊情况下，我知道用作替换值的位置。当比赛的位置未知时，我不知道如何实现这一目标。

我使用下面的代码来获取未知的位置信息，但无法像上面的第一个示例那样集成对失配的检查：

awk '{for (i=1; i<=NF; ++i) { if ($i ~ "transcript_name") print$0,"transcript_name ", $(i+1) } }' input.gtf > output.gtf

条件是，仅当行中不存在transcript_name时，才应将其替换为transcript_id的值。

真的很感谢您的帮助！

Answer 1

使用awk脚本；

script.awk ：

#!/usr/bin/awk -f
BEGIN {
  FS=OFS="\t"
}
{
  gsub(/; *$/, "", $9)        # trim trailing `;'
  split($9, pairs, / *; */)   # split attributes into pairs
  for (i in pairs) {
    split(pairs[i], kv, / */) # split pair into key and value
    attr[kv[1]] = kv[2]       # add it to `attr'
  }
  # fill missing fields
  if (!("gene_name" in attr))
    attr["gene_name"] = attr["gene_id"]
  if (!("transcript_id" in attr))
    attr["transcript_id"] = attr["gene_id"]
  if (!("transcript_name" in attr))
    attr["transcript_name"] = attr["transcript_id"];
  # recreate the attributes field
  attr_all = sep = ""
  for (k in attr) {
    attr_all = attr_all sep k " " attr[k]
    sep = "; "
  }
  # update the record with new attributes
  $9 = attr_all 
}
1 # print record

用法示例：

awk -f script.awk inputfile

Online demo。

在不知道AWK中确切位置的情况下替换缺失值

1 个答案: