Jos ymmärrän oikein, voit luoda nuken kromosomeja, jotka on valmistettu yhdistämällä kromosomi ja tunniste, yhdistää bedtooliin, jakaa takaisin kromosomit ja tunnisteet. Esim.

  awk -v OFS = '\ t' '{tulosta $ 1 "_" $ 4, $ 2, $ 3}' tiedosto1.txt \ | mergeBed \ | sed 's / _ / \ t /' \ | awk -v OFS = '\ t' '{tulosta $ 1, $ 3, $ 4, $ 2}'  

(Olettaen, että "_" ei ole osa kromosomin tai tunnisteen nimeä, säädä vastaavasti, jos on ).

Vain lisäämällä tämä voidaan tehdä bedtools -sovelluksella käsittelemällä kukin tunniste erikseen, mikä saattaa olla käytännöllistä suuren tiedostosi vuoksi.

  ID: lle muodossa $ (perl -ane 'print $ F [3]. "\ n";' file1.txt | lajittele | uniq); tee grep $ ID file1.txt | \ perl -ane 'chomp; tulosta liitos ("\ t", @ F [0 .. $ # F]). "\ n"; ' | \ lajittele -V | \ bedtools yhdistyvät -i stdin -c 4 -o erillinen | lajittele -V  

Seuraava python-komentosarja tekee mitä haluat, ja sen pitäisi olla suhteellisen muistin tehokas. Se käsittelee yhtä kromosomia kerrallaan, joten joko lajittele syöte tai varmista, että ainakin ryhmän merkinnät ovat vierekkäin.

  # ! / usr / bin / env pythonimport sys # Käsittele lajiteltu luettelo joukkoista (esim. [(0, 10), (10, 20), ...]) # Päällekkäiset kohteet yhdistetään ja luettelo yhdistetyistä alueista on # palautettu (esim. [(0, 20), ...]) def sulautuminen (arvot): alku, loppu = arvot [0] o = [] arvolle v arvoissa [1:]: jos v [0] < = loppu: jos v [1] > loppu: loppu = v [1] muu: o.append ((start, end)) start, end = v o.append ((start, end)) return o # Process a yksi kromosomi, yksi ryhmä ajallisen prosessin aikanaChrom (d, kromi): k: lle, v d: ssä. (): v.sort () tuples = yhdistä (v) t: lle tuleissa: print ("{} \ t { } \ t {} \ t {} ". muoto (kromi, t [0], t [1], k)) def main (): currentChrom = Ei mitään d = dict () riville sys.stdin: cols = linja. s plit () if cols [0] == currentChrom: jos cols [3] ei sisällä d: d [cols [3]] = [] d [cols [3]]. liitä ((int (cols [1]), int (cols [2]))) else: if currentChrom: processChrom (d, currentChrom) d = dict () d [cols [3]] = [] d [cols [3]]. liitä ((int (cols [ 1]), int (cols [2]))) currentChrom = cols [0] if currentChrom: processChrom (d, currentChrom) jos __nimi__ == "__main__": main ()  

Käyttö on python foo.py < foo.txt ja lähtö on:

  chr1 10 21 ABCchr1 22 27 ABCchr1 29 37 ABCchr2 25 26 MMMchr2 15 31 JJJchr2 35 56 JJJchr3 32 42 MMMchr3 45 76 MMMchr3 88105 MMM  

Huomaat, että tätä ei välttämättä lajitella, joten sinun kannattaa välittää tulos bedtools sort - tai sort -kohdassa.

Tässä on melko yksinkertainen (ja toivottavasti luettavissa oleva) natiivi Python-ratkaisu. Siinä oletetaan, että sängytiedosto on lajiteltu ennen jäsentämistä:

  itertooleista tuo ryhmäsykliluokka BedRecord (objekti): def __init __ (itse, chr, alku, loppu, ominaisuus): self.chr = chr self.start = start self.end = end self.feature = featuredef parse_records (in_file): avoimen (in_file) muodossa f: riville f: tuota BedRecord (* line.strip (). split ()) def merge_groups ( ryhmä): lähtö = [seuraava (ryhmä)] ryhmän tietueelle: jos ennätys. aloita < = lähtö [-1]. loppu: lähtö [-1]. loppu = max (lähtö [-1]. loppu, ennätys. end) else: output.append (record) return outputdef main (in_file): for _, ryhmä ryhmässäby (parse_records (in_file), lambda x: (x.chr, x.feature)): r: lle merge_groups (group) : print ('\ t'.join ([r.chr, r.start, r.end, r.feature])), jos __nimi__ ==' __main__ ': main (' test.bed ')