Nextflow-Groovy通道文件排序、函数调用及字段提取问题排查

原代码与问题现象 #

原代码如下：

def chr_files = {
    a,b -
    def numericPart = {a.replaceFirst("CHR", "").replaceAll(/.lancet_dict.vcf/,'').split('_') [0] ? a.toInteger():999 }
    numericPart(a)<=>numericPart(b)

}
def chromosomeFiles = Channel.from(["CHR20_MM-0574.lancet_dict.vcf","CHR17_MM-0574.lancet_dict.vcf","CHRX_MM-0574.lancet_dict.vcf","CHR22_MM-0574.lancet_dict.vcf","CHR1_MM-0574.lancet_dict.vcf"])

chromosomeFiles.collect{ chr_files }.view()

预期输出排序后的文件名：
CHR1_MM-0574.lancet_dict.vcf CHR17_MM-0574.lancet_dict.vcf CHR20_MM-0574.lancet_dict.vcf CHR22_MM-0574.lancet_dict.vcf CHRX_MM-0574.lancet_dict.vcf

实际异常输出：

[Script_4368722f$_runScript_closure1@29af2082,
Script_4368722f$_runScript_closure1@29af2082,
Script_4368722f$_runScript_closure1@29af2082,
Script_4368722f$_runScript_closure1@29af2082,
Script_4368722f$_runScript_closure1@29af2082]

1. 修正代码实现通道内文件正确排序 #

原代码核心错误有两个：

• 比较闭包chr_files语法错误：参数列表后的分隔符应为->而非-
• collect{ chr_files }用法错误：会把通道每个元素替换成闭包对象，而非用闭包排序

以下是两种可行的修正方案：

方案一：使用通道原生sort操作 #

// 修正语法错误的比较闭包
def chrComparator = { a, b ->
    def getNumericPart = { str ->
        def chrPart = str.replaceFirst("CHR", "").split('_')[0]
        // 非数字染色体（如X）设为999，排在最后
        chrPart.isInteger() ? chrPart.toInteger() : 999
    }
    getNumericPart(a) <=> getNumericPart(b)
}

def chromosomeFiles = Channel.from([
    "CHR20_MM-0574.lancet_dict.vcf",
    "CHR17_MM-0574.lancet_dict.vcf",
    "CHRX_MM-0574.lancet_dict.vcf",
    "CHR22_MM-0574.lancet_dict.vcf",
    "CHR1_MM-0574.lancet_dict.vcf"
])

// 调用sort方法传入自定义比较器
chromosomeFiles.sort(chrComparator).view()

方案二：收集为列表后排序 #

若需先将通道元素转为列表再处理，可使用.collect()获取列表后调用sort()：

chromosomeFiles.collect().map { list ->
    list.sort(chrComparator)
}.view()

两种方案均能得到预期的排序结果。

2. 在Nextflow通道中正确调用自定义函数/闭包 #

Nextflow通道调用自定义闭包分两类场景：

• 元素处理类闭包：用.map()方法将闭包应用到每个元素，例如：

  def addProcessedSuffix = { file -> "${file}.processed" }
  chromosomeFiles.map(addProcessedSuffix).view()
  

• 比较类闭包：用于排序，直接传给.sort()方法（如问题1示例）。注意比较闭包必须接收两个参数，返回-1、0或1的比较结果。
• 注意：闭包定义语法必须正确，参数分隔符->不能省略或写错；避免在collect{}中直接返回闭包对象，这会输出闭包实例而非处理后的结果。

3. 从VCF文件名中提取并存储“MM-0574”字段值 #

可通过字符串分割或正则表达式提取样本ID，以下是两种常用方法：

方法一：字符串分割 #

利用文件名结构CHR{num}_{sampleId}.lancet_dict.vcf，通过split()分割：

chromosomeFiles.map { file ->
    def sampleId = file.split('_')[1].split('\\.')[0]
    // 返回包含文件名和样本ID的元组，方便后续使用
    [file, sampleId]
}.view()

方法二：正则表达式捕获组 #

用正则匹配下划线与点之间的样本ID部分，适配性更强：

chromosomeFiles.map { file ->
    // 正则捕获组匹配下划线后、点前的样本ID
    def matcher = file =~ /_([A-Z0-9-]+)\./
    def sampleId = matcher[0][1]
    [file, sampleId]
}.view()

运行后，通道每个元素会是[文件名, "MM-0574"]的形式，后续可通过元组索引（如item[1]）获取样本ID并存储或使用。

内容的提问来源于stack exchange，提问作者Death Metal