interseção entre dois arquivos (valores no arquivo 1 que se enquadram no intervalo de valores no arquivo 2)

Question

Eu tenho um arquivo chamado snp_data contendo dados de cromossomo SNP (Single-Nucleotide Polymorphism) . Este é um arquivo CSV de 3 colunas delimitado por espaço em branco que possui o seguinte formato:

user@host:~$ cat snp_data

snp_id    chromosome  position
Chr01__912 1 912 1
Chr01__944 1 944 1
Chr01__1107 1 1107 1
Chr01__1118 1 1118 1
Chr01__1146 1 1146 1
Chr01__1160 1 1160 1
...
...
...
Chr17__214708367 17 214708367
Chr17__214708424 17 214708424
Chr17__214708451 17 214708451
Chr17__214708484 17 214708484
Chr17__214708508 17 214708508

Observe que, para cada linha, o campo snp_id tem o formato Chr{chromosome}__{position} para os valores correspondentes de chromosome e position .

Eu tenho outro arquivo chamado window contendo dados auxiliares. Este é um arquivo CSV de 5 colunas delimitado por espaço em branco que possui o seguinte formato:

user@host:~$ cat window

seqname chromosome start end width
1 Chr1 1 15000 15000
2 Chr1 15001 30000 15000 
3 Chr1 30001 45000 15000
4 Chr1 45001 60000 15000 
5 Chr1 60001 75000 15000 
6 Chr1 75001 90000 15000 
...
...
...
199954 Chr17 214620001 214635000 15000
199955 Chr17 214635001 214650000 15000
199956 Chr17 214650001 214665000 15000
199957 Chr17 214665001 214680000 15000
199958 Chr17 214680001 214695000 15000
199959 Chr17 214695001 214708580 13580

Observe a correspondência entre os arquivos window e snp_data determinados pelo valor do campo chromosome no arquivo window e os valores dos campos chromosome e snp_id no snp_data arquivo, por exemplo linhas com um valor de "Chr1" em window correspondem a linhas em snp_data com um valor 1 para chromosome e cujas snp_id linhas começam com um prefixo Chr01__ .

Para cada linha no arquivo snp_data (cada snp em cada cromossomo), se o valor position dessa linha estiver dentro do intervalo fornecido pelos valores start e end de qualquer uma das linhas em window para esse cromossomo específico, em seguida, anexe o seqname do arquivo window à linha do arquivo snp_data .

Para a entrada acima, essa seria minha saída desejada:

user@host:~$ cat desired_output

snp_id  chromosome  position   window
Chr01__912  1   912      1
Chr01__944  1   944      1
Chr01__1107 1   1107     1
...
...
...
Chr17__214708367 17 214708367   199959
Chr17__214708424 17 214708424   199959
Chr17__214708451 17 214708451   199959
Chr17__214708484 17 214708484   199959
Chr17__214708508 17 214708508   199959

O ponto principal é que as posições são únicas somente dentro de cada cromossomo, então eu preciso comparar esses cromossomos de 2 arquivos por cromossomo (ou seja, para cada cromossomo separadamente). Como posso fazer isso?

    

Answer 1

Aqui está um script Python que deve fazer o que você quer:

#!/usr/bin/env python2
# -*- coding: ascii -*-
"""intersect_snp.py"""

import sys

# Read data from the SNP file into a list
snp_list = []
with open(sys.argv[1], 'r') as snp_file:
    for line in snp_file:
        snp_row = line.split() 
        snp_list.append(snp_row)

# Read data from the "window" file into a dictionary of lists
win_dict = {} 
with open(sys.argv[2], 'r') as win_file:
    for line in win_file:
        seqnames, chromosome, start, end, width = win_row = line.split()
        if chromosome not in win_dict:
            win_dict[chromosome] = []
        win_dict[chromosome].append(win_row)

# Compare data and compute results
results = []

# Iterate over snp data rows
for snp_row in snp_list:

    # Extract the field values for each snp row
    snp_id, chromosome, position = snp_row

    # Convert the chromosome to match the format in the "window" file
    # i.e. '1' -> 'Chr1'
    chromosome_name = "Chr{}".format(chromosome)

    # Iterate over the "window" rows corresponding to that chromosome
    for win_row in win_dict.get(chromosome_name, []):

        # Extract the field values for each "window" row
        seqnames, chromosome, start, end, width = win_row

        # Perform the desired comparison
        if int(start) <= int(position) <= int(end):

            # If the comparison returns true, construct the result row
            result = [snp_id, chromosome, position, seqnames]
            results.append(result)
            break

# Print the output column headers
columns = ["snp_id", "chromosome", "position", "window"]
print(" ".join(columns))

# Print the results
for row in results:
    print(' '.join(row))

Observe que este script pressupõe que todas as suas linhas são linhas de dados. Se os seus arquivos de entrada forem denominados snp_data e window , você poderá executá-lo assim:

python intersect_snp.py snp_data window

Se seus arquivos tiverem linhas de cabeçalho, você poderá usar tail para pular / remover os cabeçalhos e executá-lo desta forma:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

Suponha que este seja seu arquivo snp_data :

snp_id              chromosome  position
Chr01__912          1           912
Chr01__944          1           944
Chr01__1107         1           1107
...
...
...
Chr17__214708367    17          214708367
Chr17__214708424    17          214708424
Chr17__214708451    17          214708451
Chr17__214708484    17          214708484
Chr17__214708508    17          214708508

E que este é o seu arquivo window :

seqnames    chromosome  start       end         width
1           Chr1        1           15000       15000
2           Chr1        15001       30000       15000
3           Chr1        30001       45000       15000
4           Chr1        45001       60000       15000
5           Chr1        60001       75000       15000
...
...
...
199954      Chr17       214620001   214635000   15000
199955      Chr17       214635001   214650000   15000
199956      Chr17       214650001   214665000   15000
199957      Chr17       214665001   214680000   15000
199958      Chr17       214680001   214695000   15000
199959      Chr17       214695001   214708580   13580

Então, se nós executarmos este comando:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

Obtemos a seguinte saída:

snp_id chromosome position window
Chr01__912 Chr1 912 1
Chr01__944 Chr1 944 1
Chr01__1107 Chr1 1107 1
...
...
...
Chr17__214708367 Chr17 214708367 199959
Chr17__214708424 Chr17 214708424 199959
Chr17__214708451 Chr17 214708451 199959
Chr17__214708484 Chr17 214708484 199959
Chr17__214708508 Chr17 214708508 199959

    

Answer 2

Para evitar grandes tempos de espera, você poderia fazer isso com o SQLite do mecanismo SQL minimalista que é frequentemente pré-instalado no Linux. Ele não executa um servidor e trabalha com bancos de dados SQL armazenados em arquivos.

No seu snp_data & diretório da janela faça:

cat snp_data | tr -s " " > snp_data.csv
sed 's#Chr##g' window | tr -s " " > window.csv

Isso normaliza os espaços entre os campos e os prepara para importação.

Em seguida, importe esses dados para o SQL e execute a consulta para obter a saída:

cat > task.sql
CREATE TABLE snp_data (snp_id text,chromosome int, position int);
CREATE TABLE window (seqname int,chromosome int, c_start int , c_end int, c_width int);

.mode csv
.separator "  "
.import snp_data.csv snp_data
.import window.csv window

.mode column
.header on
SELECT D.snp_id, D.chromosome, D.position, W.seqname FROM snp_data D, window W WHERE W.chromosome=D.chromosome AND D.position BETWEN W.c_start AND W.c_end;

[CTRL + D aqui para interromper a entrada]

E finalmente:

cat task.sql | sqlite3 my_database.db

Em geral, isso deve ser mais rápido para arquivos grandes.