與錯等位基因

Question

我有兩個文件看起來像這樣的單核苷酸多態性刪除：

1. 參考面板（ReferencePanel.csv）

   "id","position","allele0","allele1","allele1_frequency" 
   "seq-rs1010355",55102179,"T","C",0.098 
   "seq-rs272408",55103603,"C","T",0.787 
   "seq-rs11669899",55104559,"A","T",0.029 
   "imm_19_59798585",55106773,"A","G",0.499 
   

2. 一個BIM文件（ myfile.bim）

   19 19:55102179 0 55102179 C T 
   19 19:55103603 0 55103603 C T 
   19 19:55104559 0 55104559 G C 
   19 19:55106773 0 55106773 A T 
   

我想在BIM文件中的所有地方的兩個等位基因是從參考面板不同的行刪除。換句話說，我想只保留與參考面板具有完全相同等位基因的行 - 順序無關緊要。

例：

參考等位基因：

"seq-rs1010355",55102179,"T","C",0.098 
"seq-rs272408",55103603,"C","T",0.787 
"seq-rs11669899",55104559,"A","T",0.029 
"imm_19_59798585",55106773,"A","G",0.499 

BIM文件（myfile.bim）

19 19:55102179 0 55102179 C T 
19 19:55103603 0 55103603 C T 
19 19:55104559 0 55104559 G C 
19 19:55106773 0 55106773 A T 

只保留以下行：

19 19:55102179 0 55102179 C T 
19 19:55103603 0 55103603 C T 

我設法提取使用這些線路的參考板所有位置：

#Create an empty list 
positions=[] 

#Populate list with positions 
for line in open("ReferencePanel.csv"): 
    columns = line.split(",") 
    positions.append(columns[1]) 
#Remove first element which corresponds to the header 
positions.pop(0) 

但我困在這裏。我希望有一個人可以幫助我。 提前謝謝！

Answer 1

如果你不反對使用awk，可以使用下面的命令：

awk -F'[",]*' 'NR==FNR && $4 && $5 {ref[$4][$5]=1} NR>FNR {FS=" *"} NR>FNR && ref[$6][$7]' reference.csv myfile.bim 

這導致：

19 19:55102179 0 55102179 C T 
19 19:55103603 0 55103603 C T 
19 19:55106773 0 55106773 A T 

注意最後一行參考的4號線一致文件（帶A，T）

說明：

-F'[",]*'被用於解析參考文件

NR==FNR && $4 && $5 {ref[$4][$5]=1}匹配CSV定界符越來越所有的C，T，G，從參考文件

NR>FNR {FS=" *"}正在改變awk字段分隔符爲空格來解析第二A文件

NR>FNR && ref[$6][$7]是第二個文件的印刷生產線，如果第六和第七列是匹配什麼存儲陣列