匹配后查找特定单词
Posted
技术标签:
【中文标题】匹配后查找特定单词【英文标题】:Find specific words after a match 【发布时间】:2022-01-21 04:13:35 【问题描述】:我有一个如下所示的数据集:
chr1 StringTie exon 197757319 197757401 1000 + . gene_id "MSTRG.10429"; transcript_id "ENST00000440885.1"; exon_number "1"; gene_name "RP11-448G4.4"; ref_gene_id "ENSG00000224901.1";
chr1 StringTie exon 197761802 197761965 1000 + . gene_id "MSTRG.10429"; transcript_id "ENST00000440885.1"; exon_number "2"; gene_name "RP11-448G4.4"; ref_gene_id "ENSG00000224901.1";
chr9 StringTie exon 63396911 63397070 1000 - . gene_id "MSTRG.145111"; transcript_id "MSTRG.145111.1"; exon_number "1";
chr9 StringTie exon 63397111 63397185 1000 - . gene_id "MSTRG.145111"; transcript_id "MSTRG.145111.1"; exon_number "2";
chr21 StringTie exon 44884690 44884759 1000 + . gene_id "MSTRG.87407"; transcript_id "MSTRG.87407.1"; exon_number "1";
chr22 HAVANA exon 19667023 19667199 . + . gene_id "ENSG00000225007.1"; transcript_id "ENST00000452326.1"; exon_number "1"; gene_name "AC000067.1";
chr22 HAVANA exon 19667446 19667555 . + . gene_id "ENSG00000225007.1"; transcript_id "ENST00000452326.1"; exon_number "2"; gene_name "AC000067.1";
我想隔离gene_ids。因此,期望的输出是:
MSTRG.10429
MSTRG.10429
MSTRG.145111
MSTRG.145111
MSTRG.87407
ENSG00000225007.1
ENSG00000225007.1
我尝试了以下方法:
grep -E -o "gene_id.0,20" gtf_om_ENSGids_te_vinden.gtf > alle_gene_ids.txt
有了这个我可以grep“gene_id”之后的20个字符,我想稍后删除不属于答案的其他字符,例如“transcript”这个词的一部分。但是,一个问题是 ref_gene_ids 也会被复制,这不属于所需的输出。我试图通过添加 -w 标志来解决这个问题,但由于某种原因这也是错误的。有人可以帮忙吗?
谢谢!
【问题讨论】:
【参考方案1】:GNU grep,使用 perl 正则表达式标志:
grep -Po '(?<=\Wgene_id ")[^"]+'
POSIX sed:
sed -En 's/.*[^[:alnum:]_]gene_id "([^"]+).*/\1/p'
如果每行出现多次,grep 将打印所有这些,但 sed 将仅打印最后一次出现。
【讨论】:
【参考方案2】:用途:
grep -o -E ' gene_id \"([^"]*)\"' gtf_om_ENSGids_te_vinden.gtf | sed -E 's/gene_id|"| //g'
需要' gene_id
中的空格来确保ref_gene_id
不匹配。
sed
部分将删除 gene_id
、空格和双引号。
见:https://regex101.com/r/TDA7Cg/1
编辑:因为选项卡不是空格:
改成
grep -o -E '[ \t]gene_id \"([^"]*)\"' gtf_om_ENSGids_te_vinden.gtf | sed -E 's/gene_id|"| //g'
或者只是找到你可以找到的单词的开头
grep -o -E '\Wgene_id \"([^"]*)\"' gtf_om_ENSGids_te_vinden.gtf | sed -E 's/gene_id|"| //g'
但接受的答案仍然是一种更好的方法......?
【讨论】:
谢谢,但是,这还行不通,我认为是因为在“gene_id”部分前面使用的不是空格而是制表符。当我使用这样的代码时,我没有收到任何输出以上是关于匹配后查找特定单词的主要内容,如果未能解决你的问题,请参考以下文章