寫個(gè)zsh腳本(主要是awk)合并gff咒吐,去除gff中的重疊區(qū)域

問題背景

大致是這樣,假如你用一堆注釋軟件然后用不同物種得到了一堆不同的gff属划,那這些gff肯定是有重疊的恬叹,對(duì)于注釋信息gff來說只需要保留gene、exon同眯、cds有這些features的區(qū)段绽昼,并且去除有重疊的區(qū)段僅僅保留一個(gè),這里不考慮打分長(zhǎng)度什么的(不同軟件不同物種也不好比較分?jǐn)?shù)须蜗,當(dāng)然有些軟件可以根據(jù)權(quán)重來合并注釋結(jié)果硅确,比如RNA注釋權(quán)重較高然后同源注釋次之從頭預(yù)測(cè)的最低),于是腳本就如下(其實(shí)用python/R也很簡(jiǎn)單明肮,但是考慮到性能方面還是用zsh/以awk為主體會(huì)快很多)菱农,具體思路就是以features為gene的行作為標(biāo)識(shí)符(因?yàn)檫@個(gè)gene feature下面所有的記錄都是針對(duì)這個(gè)基因的,所以相當(dāng)于分隔記錄符一樣)柿估,用sort排序得到對(duì)應(yīng)標(biāo)識(shí)符順序循未,用awk讀進(jìn)去成數(shù)組,生成“標(biāo)識(shí)符:針對(duì)這個(gè)gene的所有記錄”的哈希表秫舌,然后根據(jù)排序的數(shù)組的標(biāo)識(shí)符順序來得到整個(gè)gff的排序只厘。接下來再判斷排序后的gff的"gene features"的首尾區(qū)間是否有重疊,同樣也是用哈希記錄然后最終輸出舅巷。(簡(jiǎn)書這個(gè)縮進(jìn)我屬實(shí)無語(yǔ)懶得改了)

#!/usr/bin/zsh
# -*- coding: utf-8 -*-
### ------------------------------------
### merge gff results generated by annotation pipeline
### ------------------------------------

# Get gffdir from input
while {getopts d: arg} {
        case $arg {
                (d)
                gffdir=$OPTARG
                d=$arg
                # Test if the gffdir exists.
                if [[ -d $gffdir ]] {
                        echo "Your gffdir is $gffdir"
                } else {
                           echo "The directory that you specified does not exist, please specify the correct path."
                           exit
                }
                ;;
                (?)
                echo "Wrong option!"
                ;;
        }
}

#  Test if the -d option is provided.
if [[ -z $d ]] {
        echo "You must use -d to specify the directory that contains all the gff files that you want to merge."
        exit
}

# Merge all gff to a big gff
if [[ -f $gffdir/merged.gff ]] {
        rm -rf $gffdir/merged.gff
}
if [[ -f $gffdir/sortedmerged.gff ]] {
        rm -rf $gffdir/sortedmerged.gff
}
if [[ -f $gffdir/filtermerged.gff ]] {
        rm -rf $gffdir/filtermerged.gff
}
ls $gffdir/*gff | while read gff
do
        print "Proccessing $gff..."
        grep -v "^#" $gff >> $gffdir/merged.gff
done && print "Successfully merged gff files!"

# sort gff
## Get a sorted id array that contains only the rows whose feature is gene
id_sorted=`gawk '$3=="gene"{print $0}' $gffdir/merged.gff |
        sort -t $'\t' -k 1,1 -k 7,7 -k 4n,4 -k 5n,5`
## Use awk and srotedIDarray to get a sorted gff file
gawk -v arr=$id_sorted '
BEGIN{
split(arr,id_sorted,"\n")
RS="\n"
FS="\t"
OFS="\t"
ORS="\n"
}
$3=="gene"{
        recs[id]=id"\n"lines
        id=$0
        lines=""
}
$3!="gene"{
        lines=lines"\n"$0
}
END{
recs[id]=id+"\n"+lines
for (id in id_sorted){
        # print recs[id]
        print recs[id_sorted[id]]
}
}
' $gffdir/merged.gff | sed '/^\s*$/d' > $gffdir/sortedmerged.gff


# Exclude overlap records of sorted gff
gawk 'BEGIN{
RS="\n"
FS="\t"
flag=1
}
$3=="gene"{
if(!start[$1","$7]){
        start[$1","$7]=$4
        end[$1","$7]=$5
        flag=1
        print $0
}
else{
        s=start[$1","$7]
        e=end[$1","$7]
        if((s<=$4&&$4<=e)||(s<=$5&&$5<=$e)){
                flag=0
        }
        else{
                start[$1","$7]=$4
                end[$1","$7]=$5
                flag=1
                print $0
        }
}
}
$3!="gene"&&flag==1{print $0}
' $gffdir/sortedmerged.gff > $gffdir/filtermerged.gff

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末羔味,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子钠右,更是在濱河造成了極大的恐慌赋元,老刑警劉巖,帶你破解...
    沈念sama閱讀 206,126評(píng)論 6 481
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異搁凸,居然都是意外死亡媚值,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,254評(píng)論 2 382
  • 文/潘曉璐 我一進(jìn)店門护糖,熙熙樓的掌柜王于貴愁眉苦臉地迎上來褥芒,“玉大人,你說我怎么就攤上這事嫡良∶谭觯” “怎么了?”我有些...
    開封第一講書人閱讀 152,445評(píng)論 0 341
  • 文/不壞的土叔 我叫張陵寝受,是天一觀的道長(zhǎng)坷牛。 經(jīng)常有香客問我,道長(zhǎng)很澄,這世上最難降的妖魔是什么京闰? 我笑而不...
    開封第一講書人閱讀 55,185評(píng)論 1 278
  • 正文 為了忘掉前任,我火速辦了婚禮甩苛,結(jié)果婚禮上蹂楣,老公的妹妹穿的比我還像新娘。我一直安慰自己讯蒲,他們只是感情好捐迫,可當(dāng)我...
    茶點(diǎn)故事閱讀 64,178評(píng)論 5 371
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著爱葵,像睡著了一般施戴。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上萌丈,一...
    開封第一講書人閱讀 48,970評(píng)論 1 284
  • 那天赞哗,我揣著相機(jī)與錄音,去河邊找鬼辆雾。 笑死肪笋,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的度迂。 我是一名探鬼主播藤乙,決...
    沈念sama閱讀 38,276評(píng)論 3 399
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼惭墓!你這毒婦竟也來了坛梁?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 36,927評(píng)論 0 259
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤腊凶,失蹤者是張志新(化名)和其女友劉穎划咐,沒想到半個(gè)月后拴念,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 43,400評(píng)論 1 300
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡褐缠,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 35,883評(píng)論 2 323
  • 正文 我和宋清朗相戀三年政鼠,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片队魏。...
    茶點(diǎn)故事閱讀 37,997評(píng)論 1 333
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡公般,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出胡桨,到底是詐尸還是另有隱情官帘,我是刑警寧澤,帶...
    沈念sama閱讀 33,646評(píng)論 4 322
  • 正文 年R本政府宣布登失,位于F島的核電站遏佣,受9級(jí)特大地震影響挖炬,放射性物質(zhì)發(fā)生泄漏揽浙。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,213評(píng)論 3 307
  • 文/蒙蒙 一意敛、第九天 我趴在偏房一處隱蔽的房頂上張望馅巷。 院中可真熱鬧,春花似錦草姻、人聲如沸钓猬。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,204評(píng)論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)敞曹。三九已至,卻和暖如春综膀,著一層夾襖步出監(jiān)牢的瞬間澳迫,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,423評(píng)論 1 260
  • 我被黑心中介騙來泰國(guó)打工剧劝, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留橄登,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 45,423評(píng)論 2 352
  • 正文 我出身青樓讥此,卻偏偏與公主長(zhǎng)得像拢锹,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子萄喳,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,722評(píng)論 2 345

推薦閱讀更多精彩內(nèi)容