Linhas de saída que contêm strings específicas

Question

Eu tenho um arquivo assim:

Chr Start   End Ref Alt Func.refGene    Gene.refGene    ExonicFunc.refGene  AAChange.refGene    Func.knownGene  Gene.knownGene                                                      
1   53387379    53387379    G   C   UTR5    ECHDC2  NA  NA  UTR5    ECHDC2(FFF)
1   53387380    53387380    G   C   UTR5    C2(hhh) NA  NA  UTR5    C2(FFF)
1   1647814 1647814 T   C   exonic  CDK11A,CDK11B   synonymous SNV  NA  exonic  CDK11A,CDK11B
1   1647814 1647814 T   C   exonic  CDK11A23,CDK11B23   synonymous SNV  NA  exonic  CDK11A23,CDK11B23
1   1670958 1670958 C   G   exonic  SLC35E2A    synonymous SNV  NA  exonic  SLC35E2
1   1684347 1684347 -   CCT exonic  NADK    nonframeshift insertion NA  exonic  NADK
1   7069620 7069620 T   C   intronic    PTPN6(ggg),IL3  NA  NA  intronic    PTPN6(ggg),IL3

Eu gostaria de produzir todas as linhas que contenham os genes "C2", "CDK11A" e "IL3". Obviamente, tenho um arquivo muito maior e um conjunto mais longo de genes, mas este é apenas um pequeno exemplo por conveniência.

Eu tenho usado o seguinte script:

tail -n+1 Book3.txt | awk -F'\t' 'BEGIN{OFS=FS}{if(NR==1 || $7=="C2" || $7~/C2[(]/ || $7~/C2/  || $11=="C2" || $11~/C2[(]/ || $11~/C2/ || 
$7=="CDK11A" || $7~/CDK11A[(]/ || $7~/CDK11A/ || $11=="CDK11A" || $11~/CDK11A[(]/ || $11~/CDK11A/ || 
$7=="IL3" || $7~/IL3[(]/ || $7~/IL3/ || $11=="IL3" || $11~/IL3[(]/ || $11~/IL3/) {print($0)}}' > Book3.genes.txt

Este script gera linhas desnecessárias, como você pode ver abaixo:

Chr     Start   End     Ref     Alt     Func.refGene    Gene.refGene    ExonicFunc.refGene      AAChange.refGene        Func.knownGene  Gene.knownGene
1       53387379        53387379        G       C       UTR5    ECHDC2  NA      NA      UTR5    ECHDC2(FFF)
1       53387380        53387380        G       C       UTR5    C2(hhh) NA      NA      UTR5    C2(FFF)
1       1647814 1647814 T       C       exonic  CDK11A,CDK11B   synonymous SNV  NA      exonic  CDK11A,CDK11B
1       1647814 1647814 T       C       exonic  CDK11A23,CDK11B23       synonymous SNV  NA      exonic  CDK11A23,CDK11B23
1       7069620 7069620 T       C       intronic        PTPN6(ggg),IL3  NA      NA      intronic        PTPN6(ggg),IL3

Eu não quero as linhas 2 e 5. Como posso modificar o script para ter apenas uma determinada lista de genes na saída?

    

Answer 1

Coloque os genes que você deseja combinar em um arquivo, um por linha. Então é apenas uma chamada grep:

grep -Fwf genes.txt Book3.txt 

Para preservar o cabeçalho:

{ head -n1 Book3.txt; grep -Fwf genes.txt Book3.txt; }

opções do grep:

• -F "strings fixas" - desabilita expressões regulares, procura apenas por correspondências de substring
• -w "correspondências de palavras" - procure apenas correspondências que sejam palavras inteiras
• -f file - especifica arquivos contendo padrões (um por linha)

Com seus dados de amostra

$ cat genes.txt 
C2
CDK11A
IL3
$ { head -n1 Book3.txt; grep -Fwf genes.txt Book3.txt; }
Chr Start   End Ref Alt Func.refGene    Gene.refGene    ExonicFunc.refGene  AAChange.refGene    Func.knownGene  Gene.knownGene
1   53387380    53387380    G   C   UTR5    C2(hhh) NA  NA  UTR5    C2(FFF)
1   1647814 1647814 T   C   exonic  CDK11A,CDK11B   synonymous SNV  NA  exonic  CDK11A,CDK11B
1   7069620 7069620 T   C   intronic    PTPN6(ggg),IL3  NA  NA  intronic    PTPN6(ggg),IL3