.bed文件批量处理技术需求：解析ID并基于映射表按家族分组合并

需求说明 #

我需要实现以下几个处理步骤：

• 读取目录下所有*.bed文件
• 针对每个.bed文件，提取所有行第五列中id=NAME格式里的NAME值（比如HOX.bed里的HOX，zinc.bed里的zinc）
• 通过一个映射表（包含Name与Family的对应关系）确定每个文件所属的家族（比如HOX和zinc都属于cram-2）
• 将同一家族的所有文件内容合并为一个.bed文件，以家族名称作为输出文件名（比如cram-2.bed）

示例文件与映射表如下：

HOX.bed内容：
ma reg out fim id=HOX;seq=AGCAGGAAATA;score=12.1915;pval=4.97e-05
se reg out fim id=HOX;seq=AGCAGGAAATA;score=12.1915;pval=4.97e-05
to reg out fim id=HOX;seq=AGCAGGAAATA;score=12.1915;pval=4.97e-05
pa reg out fim id=HOX;seq=AGCAGGAAATA;score=12.1915;pval=4.97e-05

映射表（lookup table）：
Name Family
HOX cram-2
zinc cram-2
fire sf.xr
fire ra.XS-2
...（内容持续）

期望输出是同家族的bed文件合并，比如cram-2.bed包含HOX.bed和zinc.bed的所有内容。

现有脚本问题 #

我写了初步的R脚本框架，但不知道如何实现「将同一家族的所有文件输出到同一个.bed文件」的逻辑，现有脚本如下：

myFiles <- list.files(pattern = "\\.bed$")
for(i in myFiles){
  name <- read.table((i), header = FALSE, sep="\t", stringsAsFactors=FALSE, quote="")
  name <- name %>% top_n(1, "id")
  Family_filtering <- table %>% filter( Family %in% name)
  save(...????????...)
}

解决方案 #

这里给你调整后的完整脚本，解决合并写入的问题，同时处理了细节（比如映射表读取、正则提取NAME、多家族映射的情况）：

library(dplyr)
library(stringr)

# 1. 读取映射表（请替换成你的映射表实际文件名）
lookup_table <- read.table("lookup_table.txt", header = TRUE, sep = "\t", stringsAsFactors = FALSE)

# 2. 获取当前目录下所有.bed文件
myFiles <- list.files(pattern = "\\.bed$")

# 3. 遍历每个bed文件处理
for (file in myFiles) {
  # 读取当前bed文件的全部内容
  bed_data <- read.table(file, header = FALSE, sep = "\t", stringsAsFactors = FALSE, quote = "")
  
  # 从第五列(V5)提取NAME值：用正则匹配id=后面到分号前的内容，取第一行即可（同文件内id一致）
  target_name <- str_extract(bed_data$V5[1], "(?<=id=)[^;]+")
  
  # 查找该NAME对应的所有家族（处理一个NAME对应多个家族的情况）
  target_families <- lookup_table %>% 
    filter(Name == target_name) %>% 
    pull(Family) %>% 
    unique()  # 去重避免重复写入
  
  # 4. 将当前bed内容追加到对应家族的输出文件中
  for (family in target_families) {
    output_filename <- paste0(family, ".bed")
    # 追加写入：文件不存在则自动创建，存在则在末尾添加内容
    write.table(bed_data, output_filename, 
                sep = "\t", row.names = FALSE, col.names = FALSE, 
                quote = FALSE, append = TRUE)
  }
}

关键细节说明：

• 正则提取NAME：用str_extract配合正则(?<=id=)[^;]+，精准抓取id=之后到第一个;之前的内容，避免匹配到后面的seq等字段
• 处理多家族映射：如果一个NAME对应多个家族（比如示例中的fire），该bed文件会被分别追加到对应的多个家族文件中
• 追加写入逻辑：通过append = TRUE参数，每次将当前bed的内容追加到目标家族文件末尾，实现同家族文件的合并
• 避免变量冲突：原来的table是R内置函数，改成lookup_table作为映射表变量名，避免报错
• bed文件格式兼容：读取和写入时都设置quote = FALSE、col.names = FALSE，保证bed文件的格式正确

内容的提问来源于stack exchange，提问作者Myke