笔记接上篇【Linux 笔记】Linux 基本操作 - 03. shell脚本编程。笔记大部分源于生信技能树的B站视频教程【生信技能树】生信人应该这样学linux(更新至第14集),如有需要,可去欣赏原汁原味的视频讲解。
10. 文本处理实践下载SRA数据库中SRP115453 (PRJNA398328) 研究的测序数据信息文件 SraRunTable.txt 和测序结果ID文件SRR_Acc_List.txt,利用FileZilla或者WinSCP将其上传到服务器,以此作为此次文本操作实践的测试数据。数据库的介绍详见:【数据库】SRA数据库介绍及数据下载 测试数据文件下载地址: https://www.ncbi.nlm./Traces/study/?acc=SRP115453&o=acc_s%3Aa 文章:Liu H, Murphy CJ, Karreth FA, Emdal KB, White FM, Elemento O, Toker A, Wulf GM, Cantley LC. Identifying and Targeting Sporadic Oncogenic Genetic Aberrations in Mouse Models of Triple-Negative Breast Cancer. Cancer Discov. 2018 Mar;8(3):354-369. doi: 10.1158/2159-8290.CD-17-0679. 文章下载地址:http://cancerdiscovery./content/candisc/early/2018/02/14/2159-8290.CD-17-0679.full.pdf 数据地址: https://www.ncbi.nlm./sra/?term=SRP115453 https://www./ena/browser/view/PRJNA398328?show=reads
基本操作grep RNA SraRunTable.txt | wc #统计RNA-seq的数据个数 head SRR_Acc_List.txt > id #数据量较大,取前10个作为测试 cat id
# 将默认名字修改为简单易区分的名称 mv SraRunTable.txt info mv SRR_Acc_List.txt allid head * | less -NS #q;查看当前路径下所有文件的前10行
grep 筛选数据(行)grep -f id info | wc # -f:在文件中进行匹配; # grep的参数 # -w:完全匹配(word) # -c:计数,grep -fc id info # -v:返回未匹配到的部分 grep -v '^#' tmp #匹配不以#开题的行
which grep # 所在目录 /bin/grep type grep # grep 是 `grep --color=auto' 的别名
cut 和 awk 操作数据(列)less -SN info # -N显示行号;-S:不换行显示
# 查看文件的表头,按列显示,并标注行号,方便后续的操作 head -1 info | tr ' ' '\n' | cat -n #tr: 将以空格分隔的列,修改为按换行符分隔。cat -n: 显示行号 ## 1 Run,age,Assay ## 2 Type,AvgSpotLen,Bases,BioProject,BioSample,BioSampleModel,Bytes,Center ## 3 Name,Consent,DATASTORE ## 4 filetype,DATASTORE ## 5 provider,DATASTORE ## 6 region,Experiment,Genotype,Instrument,Library ## 7 Name,LibraryLayout,LibrarySelection,LibrarySource,mouse_number,Organism,Platform,primary_tumor_index,ReleaseDate,Sample ## 8 Name,sequencing_type,sex,SRA ## 9 Study,Strain,Tissue,Treatment,tumor_index,replicate_number
# 数据的存储,比想象中更复杂一些,接下来现将所有列的分隔符,由空格改成逗号分隔 head -1 info | tr ' ' ',' | tr ',' '\n' | cat -n ## 1 Run ## 2 age ## 3 Assay ## 4 Type ## 5 AvgSpotLen ## 6 Bases ## 7 BioProject ## 8 BioSample ## 9 BioSampleModel ## 10 Bytes ## 11 Center ## 12 Name ## …… head -2 info | tail -1 | tr ' ' ',' | tr ',' '\n' | cat -n
head -4 info | tr ' ' ',' | tr ',' ' ' | cut -d" " -f1,4,7,8,27,43-47 #-d: 指定分隔符 ##Run Type BioProject BioSample LibrarySource replicate_number ##SRR5933808 WXS PRJNA398328 SAMN07504110 Trp53+/+;Brca1+/+; 2017-11-11T00:00:00Z HL-WES-34 WEX female SRP115453 ##SRR5933809 WXS PRJNA398328 SAMN07504109 Trp53flox/flox;Brca1+/+; 2017-11-11T00:00:00Z HL-WES-22 WEX female SRP115453 ##SRR5933810 RNA-Seq PRJNA398328 SAMN07504108 Trp53flox/flox;Brca1flox/flox; HL145 RNAseq female SRP115453 C57BL/6
# 可见上述第27列,是由分号分隔的元素,取分号前的一列 head -4 info | tr ' ' ',' | tr ',' ' ' | cut -d" " -f27 | cut -d";" -f 1 ##LibrarySource ##Trp53+/+ ##Trp53flox/flox ##Trp53flox/flox
head -4 info | tr ' ' ',' | tr ',' ' ' | cut -d" " -f27 | tr ";" "\t" #替换分隔符 head -4 info | tr ' ' ',' | tr ',' ' ' | cut -d" " -f27 | sed 's/;/\t/g' #替换分隔符 ##LibrarySource ##Trp53+/+ Brca1+/+ ##Trp53flox/flox Brca1+/+ ##Trp53flox/flox Brca1flox/flox ##Trp53+/+ Brca1+/+
## 查看该研究中的实验类型,排序并统计频数 cat info | tr ' ' ',' | tr ',' ' ' | cut -d" " -f4 | sort | uniq -c ## 88 RNA-Seq ## 94 WXS ## 可见在182个实验中,RNA-Seq数据共88个,WXS数据共94个。
# 对染色体进行排序 # ln -s /mnt/hd3/shuju/hucy/humandb/hg19_refGene.txt /mnt/hd3/shuju/hucy/SRA_data/hg19_refGene.txt cut -f3 hg19_refGene.txt | sort | uniq -c ## 7053 chr1 ## 3465 chr10 ## 4125 chr11 ## …… ## 3712 chr17 ## 63 chr17_ctg5_hap1 ## 1 chr17_gl000205_random ## 1175 chr18 ## 4278 chr19 ## 21 chr19_gl000209_random ## 9 chr1_gl000191_random
# 按染色体大小号顺序排序 cut -f3 hg19_refGene.txt | sort -V | uniq -c #-V, --version-sort:在文本内进行自然版本排序 ## 7053 chr1 ## 9 chr1_gl000191_random ## 1 chr1_gl000192_random ## 4938 chr2 ## 4256 chr3 ## 2639 chr4 ## 14 chr4_ctg9_hap1 ## 1 chr4_gl000193_random ## 4 chr4_gl000194_random ## 3264 chr5 ## 3628 chr6 ## 256 chr6_apd_hap1 ## 3780 chr7 ## 9 chr7_gl000195_random ## 2852 chr8 ## 2900 chr9 ## 3465 chr10 ## 4125 chr11
cut -f3 hg19_refGene.txt | sort | uniq -c | sort -k1,1nr | head #按染色的频数排序 cut -f3 hg19_refGene.txt | sort | uniq -c | sort -k1,1nr | head -20 >tmp #建议存成文件,反复排序浪费CPU awk '{print $1}' tmp | paste -s -d + # -s:把文件的多行变成1行,默认分隔符是空格 # -d:改变分隔符 # awk 默认空格分隔,可有多个空格 ## 7053+4938+4278+4256+4125+3780+3712+3670+3628+3465+3264+2902+2900+2855+2852+2639+2475+2299+1850+1562
awk '{print $1}' tmp | paste -s -d + | bc # bc:计算表达式
grep -w gene hg19_refGene.txt| wc awk '{if($3=="gene")print}' grep gene hg19_refGene.txt | wc #awk外边使用单引号,则内部需使用双引号
perl -alne '{print if $F[2] eq "gene"}' hg19_refGene.txt | wc
# 查看运行时间 time grep gene hg19_refGene.txt| wc time awk '{if($3=="gene")print}' hg19_refGene.txt | wc time perl -alne '{print if $F[2] eq "gene"}' hg19_refGene.txt | wc
# 查看使用最频繁的命令 history | awk '{print $2}' | sort | uniq -c | awk '{print $1 "\t" $2}'|sort -k1,1n #注意uniq后的两列间的分隔符不规范,可能是多个不等的空格;awk后的单双引号问题 head * | less -NS #q
sort 常用参数总结-k1,1 :-k选项指定某列的排序方式。而每次使用 -k选项都要带上指定列的范围(start, end)。如果只指定一列,就为(start,start)了,像上面命令的 -k1,1就是。
-r : 逆向排序
-n : --numeric-sort 指定程序把列当做数值对待。
-g : 可按科学计数法进行排序
-V : --version-sort:在文本内进行自然版本排序,染色体按大小号显示
-t : --field-separator=分隔符 使用指定的分隔符代替非空格到空格的转换
参考阅读: 生信技能树 - linux命令行文本操作一文就够
|