如何用AWK将不同gsub结果输出到对应列以优化VCF处理代码

AI 小北

2026-7-9

优化VCF基因型统计的AWK代码：减少子进程+修复列错位

背景

需要给VCF文件新增三列统计信息：

nHomAlt：纯合突变基因型（1/1、1|1）的数量
nHet：杂合基因型（0/1、1/0、0|1、1|0）的数量
nHomRef：纯合参考基因型（0/0、0|0）的数量
原实现用了多个bcftools子进程，冗余且低效，想改成单AWK进程完成统计。

踩坑的错误写法

最初写了这段代码，结果统计结果完全错位：

BEGIN {print "nHomAlt\tnHet"} {print gsub(/1\|1|1\/1/, "")} {print gsub(/0\|1|1\|0|0\/1|1\/0/, "")}

问题根源：每个print语句都会单独输出一行，导致两个统计值分属不同行，无法对应成同一行的列。

正确实现方式

核心思路是将每个gsub的统计结果存入变量，再在同一行输出所有列。同时要注意：gsub会直接修改目标字符串，因此每次统计都必须使用原行的副本，避免前序替换干扰后续匹配。

完整代码示例：

BEGIN {
    OFS = "\t"
    print "nHomRef\tnHet\tnHomAlt"  # 输出统计列的表头
}
{
    # 复制当前行到临时变量，避免gsub修改原内容影响后续统计
    tmp = $0
    nHomRef = gsub(/0\|0|0\/0/, "", tmp)
    
    tmp = $0
    nHet = gsub(/0\|1|1\|0|0\/1|1\/0/, "", tmp)
    
    tmp = $0
    nHomAlt = gsub(/1\|1|1\/1/, "", tmp)
    
    # 输出原VCF行 + 新增统计列；若仅需统计列，可改为 print nHomRef, nHet, nHomAlt
    print $0, nHomRef, nHet, nHomAlt
}