如何高效获取BED文件中各蛋白ID对应的最大外显子排名？

可以利用 sort + awk 的组合高效完成这个需求，比shell循环的处理速度快得多，尤其适合处理大文件：

sort -t$'\t' -k11,11 -k9,9nr Example.bed | awk -F$'\t' 'prev != $11 {print $11 "\t" $9; prev=$11}'

命令解释 #

• sort 部分：
  • -t$'\t'：指定制表符为字段分隔符
  • -k11,11：先按第11列（蛋白ID）升序排序，确保同一蛋白的所有外显子信息聚在一起
  • -k9,9nr：再按第9列（外显子排名）降序排序，这样同一蛋白的最大排名会出现在该组的第一行
• awk 部分：
  • -F$'\t'：同样指定制表符为分隔符
  • 逻辑判断 prev != $11：只在遇到新的蛋白ID时，打印该蛋白ID和对应的最大排名（也就是组内第一行的第9列），同时更新prev变量记录当前蛋白ID，避免重复输出

优势 #

相比shell循环，这种方式利用了Unix工具链的原生优化，处理百万级行的文件也能保持高效，代码简洁且易维护。

内容的提问来源于stack exchange，提问作者Dr. Coke