如何在awk中访问字典中一个键的多个值？

Question

所以我在 awk/bash 中编写代码。我有两个文件，第一个文件的格式如下：

chr1_2376428_A_T
chr1_5465765_T_A
chr1_8958392_C_G
....
chrM_237426_C_G

该文件跨越所有染色体，并且每个染色体有多个样本。现在我的第二个文件是基因注释文件，其格式如下：

chr1 HAVANA Exon 13642 13859 ....
chr1 HAVANA START_CODON 13642 13859 ....
....

如果染色体匹配，我想搜索文件 1 中的值是否落在注释文件中起始 ($4) 和结束 ($5) 坐标所描绘的任何区域之间。

示例文本文件：

echo -e chr1_2376428_A_T"/n"chr1_5465765_T_A"/n"chr1_8958392_C_G"/n"chr1_9542312_T_G > coordinates.txt

echo -e chr1"\t"HAVANA"\t"Exon"\t"13642"\t"13859"\n"chr1"\t"HAVANA"\t"START_CODON"\t"13642"\t"13859"\n"chr1"\t"HAVANA"\t"Exon"\t"5465750"\t"5465810"\n"chr1"\t"HAVANA"\t"gene"\t"6465750"\t"6465810"\n"chr1"\t"HAVANA"\t"Exon"\t"8958350"\t"8958461"\n" | gzip -c > gencode.v34.annotation.gtf.gz

我使用了以下代码：

    zcat gencode.v34.annotation.gtf.gz | awk -v File=/pathto/Coordinates.txt 'BEGIN{comm="cat "File; while(comm|getline){split($1,a,"_");dict[a[1]]=a[2];}}{if ($1 in dict){if (dict[$1]>$4 && dict[1]<$5){print $1"_"dict[$1]"_"$3}}}' 

这里的问题是，我为每个染色体获得的结果是每个染色体的最后一个可能的样本，这使我认为只有键（染色体编号）的最后一个值被比较和/或只被记录。如何测试某个键的所有值？

目前成果：

None

预期结果：

chr1_5465765_Exon
chr1_8958392_Exon

谢谢你

---

编辑：这是上面的 awk 代码，由

gawk -o-

漂亮地打印，以便于阅读：

BEGIN {
        comm = "cat " File
        while (comm | getline) {
                split($1, a, "_")
                dict[a[1]] = a[2]
        }
}

{
        if ($1 in dict) {
                if (dict[$1] > $4 && dict[1] < $5) {
                        print $1 "_" dict[$1] "_" $3
                }
        }
}

Answer 1

• array[key]=value

  每个键只允许一个值 - 每当设置新值时（即每个

  dict[a[1]] = a[2]

  ），它都会被覆盖

• dict[1]

  似乎是脚本后面的一个错字

---

最好使用生物信息学专用工具，例如 @timur-shtatland 在评论中提到的 bedtools。然而，使用 SQLite 的简单 SQL 解决方案可能是：

$ cat >sqlite-commands <<'EOD'
    create table a (chr, v2, tag, start, end);
.separator \t
.import annotations_file a
    create table b (chr, idx, v3, v4);
.separator _
.import samples_file b
    select b.chr, b.idx, a.tag
        from a join b on a.chr = b.chr
        where a.start < b.idx and b.idx < a.end;
EOD
$ cat -A annotations_file
chr1^IHAVANA^IExon^I13642^I13859$
chr1^IHAVANA^ISTART_CODON^I13642^I13859$
chr1^IHAVANA^IExon^I5465750^I5465810$
chr1^IHAVANA^Igene^I6465750^I6465810$
chr1^IHAVANA^IExon^I8958350^I8958461$
$ cat samples_file
chr1_2376428_A_T
chr1_5465765_T_A
chr1_8958392_C_G
chr1_9542312_T_G
$

然后：

$ sqlite3 '' <sqlite-commands
chr1_5465765_Exon
chr1_8958392_Exon
$

我理解传递

''

因为数据库使用临时文件并允许处理不适合内存的数据。