correspondência de padrões e captura em unix

Question

Eu tenho um arquivo como este:

A1-1915435_1_MIMAT0000069_MirBase_miR-16_microRNA_1_22-A1-1915435_1_ENSG00000206737_ENST00000384010_U1_snRNA_73_115
A1-2362643_1_MIMAT0000732_MirBase_miR-378_microRNA_1_21-A1-2362643_1_ENSG00000222328_ENST00000410396_U2_snRNA_168_211

Eu quero uma saída na qual eu tenha a parte da micro-RNA e a guia da parte do ENSG separada. Alguma coisa assim:

miR-16_microRNA ENSG00000206737
miR-378_microRNA    ENSG00000222328

Eu posso escrever um script perl para ele, mas eu acho que deve haver uma solução de linha de comando para isso usando awk, sed perl etc.

    

Answer 1

sed -n 'y/_E/\t\n/;s/\n/E/;s/[^m]*//;s/\(A.\).*E/E/;P'

Isso funciona para mim, dado o seu exemplo ...

miR-16  microRNA        ENSG00000206737
miR-378 microRNA        ENSG00000222328

Se você quiser que o primeiro \t ab convertido de volta para um _ , então você pode adicionar s/\t/_/ antes do P - mas eu acho que parece mais legal assim.

Outra maneira poderia parecer ...

sed 's/RNA[^E]*_/RNA\t/;s/[^m]*//;s/_E.*//'

... ou ...

sed 's/[^mE]*\([mE][^mE_]*\)//;s//\t/3;s/_E.*//'

... que imprimem o que você mostra na saída desejada, como ...

miR-16_microRNA ENSG00000206737
miR-378_microRNA        ENSG00000222328

Em qualquer caso, você pode ter que usar um caractere literal no lugar do escape \t , dependendo da implementação do sed .

    

Answer 2

perl -pe 's!.*(miR-\d+_microRNA).*(ENSG\d+).*!$1\t$2!'

explain a bit?

Claro, desculpe:

• para cada linha (perl -p)
• substitua regex por $1 tab $2 em que
  • $1 e $2 são backreferences numeradas para capturar grupos (...) . Quase todos os mecanismos de expressão regular modernos suportam isso.
• sobre a expressão regular:
  • . = qualquer caractere, exceto \n
  • .* = uma sequência de caracteres (ignorados na substituição)
  • \d = digit (o mesmo que [0-9] )
  • \d+ = um ou mais \d

Por favor, veja qualquer tutorial de expressões regulares para uma explicação mais detalhada.

    

Answer 3

Usando sed :

sed 's/^.*\(miR-[0-9]*_microRNA\).*\(ENSG[0-9]*\).*$/\t/' <infile

    

Answer 4

Usando awk , supondo que o formato seja confiável:

$ awk -F'_' '{print $5"_"$6, $11}' file
miR-16_microRNA ENSG00000206737
miR-378_microRNA ENSG00000222328