Extrai nomes de File_B tendo intervalos sobrepostos com File_A

Question

Dois arquivos delimitados por espaço:

File_A

MT 50000
groupI 7850000
groupI 7950000
groupI 9050000
groupI 21750000
groupII 8750000
groupII 10550000
groupII 16150000
groupII 20850000
groupIII 14750000
groupIII 15250000
groupIII 15450000
groupIII 15550000
groupIII 15650000
groupIV 7850000

A primeira coluna é o ID do grupo e a segunda coluna é o ponto médio de um intervalo de 100.000 unidades dentro do grupo. Por exemplo, a primeira linha corresponde ao intervalo 1-100000 no grupo MT, a segunda linha ao intervalo 7800000-7900000 e assim por diante.

Arquivo_B

MT 2851 3825 Name=mt-nd1
MT 4036 5082 Name=mt-nd2
MT 5465 7015 Name=mt-co1
MT 7173 7863 Name=mt-co2
MT 8097 8780 Name=mt-atp6
groupI 18791 22890 Name=FGF12
groupI 36880 38991 Name=MB21D2
groupI 65279 68049 Name=cldn15lb
groupI 77722 105198 Name=col4a4
groupI 117583 141390 Name=col4a3
groupI 150455 155401 Name=sst1.1
groupI 9050030 9058000 Name=bco2b
groupI 1076088 1085084 Name=SORL1
groupI 1175505 1181937 Name=abcg4b
groupI 1184288 1184688 Name=lyrm9
groupI 1185206 1186192 Name=ift20

A coluna 1 do File_B é o nome do grupo / cromossomo onde um gene está localizado, as colunas 2 e 3 são os intervalos de um gene, onde a coluna 2 é o início e a coluna 3 é o fim. Finalmente, a coluna 4 é o nome do gene. Eu quero extrair os únicos nomes de genes da quarta coluna do File_B, cujo intervalo está dentro do intervalo de 100.000 de File_A.

Output_file

mt-nd1
mt-nd2
mt-co1
mt-co2
mt-atp6
bco2b

Eu estava usando o seguinte código para um procedimento diferente, embora similar, (File_B tinha mais colunas e a segunda coluna para File_A era um ponto e não um intervalo).

while read -r id pos; do awk -v id="$id" -v pos="$pos" '$1 == id && pos > $4 && pos < $5 { if (gensub(/.*gene=([A-Za-z0-9]*).*/, "\1", 1) !~ /\s/) print gensub(/.*gene=([A-Za-z0-9]*).*/, "\1", 1); }' <File_B.txt; done < File_A.txt > Output_file.txt

    

Answer 1

Assumindo que o nome do grupo tem que ser o mesmo (não está claro na sua descrição, mas os dados e o resultado esperado sugerem isso):

$ sort -k1,1 -k2n,2n <(awk '{print $1, $2-50000, $2+50000, $2}' File_A) File_B |
  awk '
    !gsub(/[^=]*=/, "", $4) {g=$1; s=$2; e=$3; m=$4; next}
    $2 > s && $3 <= e && $1 == g {if(m){print g, m; m=""} print "   "$4}
  '
MT 50000
   mt-nd1
   mt-nd2
   mt-co1
   mt-co2
   mt-atp6
groupI 9050000
   bco2b

Sem títulos:

$ sort -k1,1 -k2n,2n <(awk '{print $1, $2-50000, $2+50000}' File_A) File_B |
  awk '
    !gsub(/[^=]*=/, "", $4) {g=$1; s=$2; e=$3; next}
    $2 > s && $3 <= e && $1 == g {print $4}
  '
mt-nd1
mt-nd2
mt-co1
mt-co2
mt-atp6
bco2b