Bahsetmeseniz de, yatak takımları v2.26.0 kullandığınızı tahmin ediyorum. GroupBy'nin 2.26.0 sürümünde karşılaştığınız bir hata var (yayınlandıktan kısa bir süre sonra düzeltildi, bu nedenle ya hata ortaya çıkmadan önce bir sürümü kullanmanız ya da mevcut kaynak kodunu https://github.com/arq5x/bedtools2)

v2.26.0:

  local10: ~ / Documents / tmp $ cat asdf. yatak I 3746 3909 WBGene00023193. -I 3746 3909 WBGene00023193. -I 4118 4220 WBGene00022277. -I 4118 4358 WBGene00022277. -I 4118 10230 WBGene00022277. -I 4220 4223 WBGene00022277. -local10: ~ / Documents / tmp $ groupBy -i asdf.bed -g 4 -c 2,3 -o min, max 3746 10230 

v2.26.0-125-g52db654 (IE kaynak kodunu github'dan derleyerek):

  local10: ~ / Documents / tmp $ bedtools2 / bin / groupBy -i asdf.bed -g 4 -c 2,3 -o min, maxWBGene00023193 3746 3909WBGene00022277 4118 10230  

Sorularınızı yanıtlamak için:

1) Yukarıdaki çıktımın önce gruplanmış sütunları verdiğini fark edebilirsiniz; Çıktıyı sırayla geri almak için awk aracılığıyla yeniden sıralamanız gerekir. Neden hem 1. hem de 4. sütunda gruplamayı seçtiklerine gelince: Birden fazla kromozom üzerinde aynı ada sahipseniz, bunları ayrı özellikler olarak ele almak isteyebilirsiniz.

2) Sürüm farklılıkları, cevabımın ilk kısmı.

Dosyayı gerçekten birleştirmek için:

Bunu v2.26.0'dan farklı bir sürümle çalıştırdığınızdan emin olun (Devon Ryan yorumlarda yazdığı gibi, eklemek isteyebilirsiniz 6. sütunu -g 'ye özgü yapmak için):

  ./bedtools2/bin/groupBy -i asdf.bed -g 1,4 -c 2 , 3,5,6 -o min, max, first, first \ | awk -v OFS = '\ t' '{baskı $ 1, $ 3, $ 4, $ 2, $ 5, $ 6}' I 3746 3909 WBGene00023193. -I 4118 10230 WBGene00022277. -  

Bunu CGAT araç seti ile yapabilirsiniz:

cgat bed2bed --method = merge - birleştirme-isme -I bed_with_gene_ids.bed

Bu kadar büyük bir paket kurmak, bu görev için gereğinden fazla olabilir.

Bunu Hail ile kolayca yapabilirsiniz. Hail, genetik veri kümelerine açıklama eklemek için temel olarak BED dosyalarını kullanır (son annotate_varutors_table örneğine bakın), ancak sınırlandırılmış metin dosyalarını işlemek için Hail'in genel olanaklarını kullanarak BED dosyalarını değiştirebilirsiniz. Örneğin:

  $ cat genes.bedI 3746 3909 "WBGene00023193". -I 3746 3909 "WBGene00023193". -I 4118 4220 "WBGene00022277". -I 4118 4358 "WBGene00022277". -I 4118 10230 "WBGene00022277". -I 4220 4223 "WBGene00022277". -  

Dolu betiği (python kodu):

  dolu içe aktarımdan * hc = HailContext () (hc .import_table ('genes.bed', impute = True, no_header = True) .aggregate_by_key ('f0 = f0, f3 = f3', 'f1 = f1.min (), f2 = f2.max (), f4 = ".", f5 = "-"' ) .select (['f0', 'f1', 'f2', 'f3', 'f4', 'f5']) .export ('genes_merged.bed', header = False))  

Sonuç:

  $ cat genes_merged.bed I 3746 3909 WBGene00023193. -I 4118 10230 WBGene00022277. -  

Chrom ve name üzerinde topluyorum, böylece bu çözüm farklı kromozomlardaki girişleri birleştirmez. Alanları yeniden düzenlemek için seçme gereklidir çünkü aggregate_by_key toplanan anahtarları ilk sıraya yerleştirir.

Açıklama: Dolu üzerinde çalışıyorum.

  $ cut -f4-6 in.bed | sed 's / \ t / _ / g' | sırala | uniq | awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --merge -"); 0 $ yazdır; } '| yapıştır -d "\ t" - - | sed 's / _ / \ t / g' | sort-bed - > answer.bed  

Örnek girdinize göre:

  $ more in.bedI 3746 3909 "WBGene00023193". -I 3746 3909 "WBGene00023193". -I 4118 4220 "WBGene00022277". -I 4118 4358 "WBGene00022277". -I 4118 10230 "WBGene00022277". -I 4220 4223 "WBGene00022277". -  

answer.bed dosyası:

  $ more answer.bedI 3746 3909 "WBGene00023193". -I 4118 10230 "WBGene00022277". -  

sort-bed ile sıralama, sonunda kullanışlıdır, böylece onu yönlendirebilir veya başka BEDOPS araçlarıyla veya diğer araçlarla çalışabilirsiniz. sıralı YATAK girdisini kabul edin.

Akış, genellikle işleri yapmanın oldukça verimli bir yoludur.

Bu nasıl çalışır

İşte ardışık düzen yine:

  $ cut -f4-6 in.bed | sed 's / \ t / _ / g' | sırala | uniq | awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --merge -"); 0 $ yazdır; } '| yapıştır -d "\ t" - - | sed 's / _ / \ t / g' | sort-bed - > answer.bed  

4'ten 6'ya kadar olan sütunları (id, skor ve şerit) keserek, sekmeleri alt çizgilerle değiştirerek, kopyaları sıralayarak ve kaldırarak başlıyoruz:

  cut -f4-6 in.bed | sed 's / \ t / _ / g' | sıralama | uniq  

Buradan çıkardığımız şey, "iğnelerin" sıralı bir listesidir - her bir ID-skor-iplik kombinasyonu için bir tane: bir ID-iğne - orijinal BED dosyasını grep veya filtrelemek için kullanabiliriz.

Bu liste awk 'ye taşınır ve her kimlik iğnesi için orijinal BED dosyasına karşı> grep ve alt kümeyi, çakışan aralıkları birleştiren bedops --merge - 'e yönlendirir.

Birleştirmenin yalnızca çakışan aralıklarda işe yaradığını unutmayın. Birleştirme, min-maks çifti döndürmekle aynı şey olmayabilir ve bu ardışık düzen, çakışmayan aralıklar varsa kesilir. Ancak awk ifadesini şu şekilde değiştirebilirsiniz: girdi aralıklarını işleyin ve minimum ve maksimum aralık koordinatlarını döndürün, eğer gerçekten istediğiniz buysa, awk 'ye gelen tüm aralıklardaki minimum ve maksimum değerleri izleyerek ve END bloğu.

system komutu, birleştirilen aralığı bir satıra yazdırır. Aşağıdaki print $ 0 ifadesi, iğneyi sonraki satıra yazdırır:

  awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --birleştirmek - "); 0 $ yazdır; } ' 

Her bir alternatif çizgi çiftini alıp paste ile yeniden doğrusallaştırıyoruz. Bu sonuç artık dört sütun içeriyor: her birleştirilmiş aralığın üç sütunu ve kimlik iğnesi.

Ardından, alt çizgileri sekmelerle değiştirmek için sed kullanırız, böylece kimlik iğnesini sekmeyle ayrılmış üç kimlik skoru dizisi sütununa dönüştürürüz:

  yapıştır -d "\ t" - - | sed 's / _ / \ t / g'  

Çıktı artık altı sütunlu bir BED dosyasıdır, ancak, daha üstteki kimlik iğnelerine uyguladığımız sıralama düzenine göre sıralanmıştır. istemediğimiz boru hattı. Gerçekten istediğimiz, BEDOPS sort-bed 'e göre sıralanmış BED'dir, böylece daha fazla set işlemi yapabilir ve doğru sonucu alabiliriz. Bu nedenle, answer.bed:

  sort-bed - > cevabına sıralanmış bir dosya yazmak için bunu  sort-bed -  'e yönlendiriyoruz. yatak  

Bir adı paylaşan tüm hatlar için başlangıç ​​ve bitiş konumları dışındaki her şeyin aynı olacağından% 100 eminseniz, bunu kendiniz yapabilirsiniz. Örneğin, Perl'de:

  $ perl -lane '$ start {$ F [3]} || = $ F [1]; eğer ($ F [1] < $ start {$ F [3]}) {$ start {$ F [3]} = $ F [1]} eğer ($ F [2] > $ end {$ F [3 ]}) {$ end {$ F [3]} = $ F [2]} $ chr {$ F [3]} = $ F [0]; $ rest {$ F [3]} = "\ t" ye katıl, @F [4, $ # F]; END {foreach $ n (keys% chr) {print "$ chr {$ n} \ t $ start {$ n} \ t $ end {$ n} \ t $ n \ t $ rest {$ n}"}} 'file.bed I 3746 3909 "WBGene00023193". -I 4118 10230 "WBGene00022277". -