Question

我有两个制表符分隔的基因组序列文件（SAM格式），我想比较它们，看看每个都有多少次测序读数（包含一行）。

以下是输入文件格式的示例：

HWI-AT555:86:D0:6:2208:13551:55125       122     chr1    77028   255     94M555N7M       *       0       0       GTGCCTTCCAATTTTGTGAGTGGAGNACAAGTTCGCTAAAGCTAATGAATGATCTACCACCATGATTGAGTGTCTGAGTCGAATCAAGTGAATTGCTGTTAG   &&&(((((*****++++++++++++!!&)*++++)+++++++++++++++++++++++++*++++++++*****((((((''''''&&&&'''&&&&&&&&   NM:i:3  XS:A:+    NH:i:1

重要的部分是序列读取id，它是第一列（即HWI -.... 55125）。这是我想用来比较两个文件，以便我可以计算重复/副本的数量。

这是我到目前为止所做的：

unless (@ARGV == 2) {
    print "Use as follows: perl program.pl in1.file in2.file\n";
    die;
}

my $in1 = $ARGV[0];
my $in2 = $ARGV[1];

open ONE, $in1;
open TWO, $in2;

my %hash1;
my @hit;    

while (<ONE>){
    chomp;
    my @hit = split(/\t/, $_);
    $hash1{$hit[0]}=1;
}
close ONE;

my @col;

while (<TWO>){
    chomp;
    my @col = split(/\t/, $_);
    if ($col[0] =~ /^H/){  #only valid sequence read lines start with "H"
        print "$col[0]\n" if defined($hash1{$_});   

    }
}
close TWO;

到目前为止，它在hash1中查找匹配，同时逐行浏览第二个文件并打印出任何匹配项。我想要做的是计算找到匹配的次数，然后打印出每个序列ID和匹配总数的次数。

我是编程的新手，我很不知道如何在循环中有匹配时保持计数。任何帮助，将不胜感激。如果我没有说清楚的话，请告诉我。

Answer 1

使用零而不是1来初始化%hash1：

while (<ONE>){
    chomp;
    my @hit = split(/\t/, $_);
    # Start them as "0" for "no duplicates".
    $hash1{$hit[0]} = 0;
}

然后，在第二个循环中，您可以增加$hash1{$col[0]}：

while (<TWO>){
    chomp;
    my @col = split(/\t/, $_);
    # Increment the counter if %hash1 has what we're looking for.
    ++$hash1{$col[0]} if(exists($hash1{$col[0]}));
}

无需检查$col[0] =~ /^H/，因为%hash1只有有效序列的条目，因此您只需对哈希进行exists检查即可。并且您希望查看$hash1{$col[0]}而不是$hash1{$_}，因为您只在第一个循环中存储了行的第一部分，$_将拥有整行。此外，如果您只是抓住每一行的第一个字段，则不需要chomp次来电，但它们没有任何危害，因此您可以根据需要保留它们。

这会将%hash1中所有重复的条目作为具有非零值的条目留给您，您可以grep这些条目：

my @dups = grep { $hash1{$_} > 0 } keys %hash1;

然后用他们的计数显示它们：

for my $k (sort @dups) {
    print "$k\t$hash1{$k}\n";
}

您还可以在显示匹配项时检查计数：

for my $k (sort keys %hash1) {
    print "$k\t$hash1{$k}\n" if($hash1{$k} > 0);
}

如何按列比较两个文本文件并输出列匹配的次数

1 个答案: