使用Awk匹配文件：判断File1的$4是否在File2的$3-$4区间

需求说明 #

匹配两个文件，规则如下：

• 若File1的第4列值处于File2的第3列与第4列的区间范围内，输出File1整行内容加上File2的第6列；
• 若无匹配项，输出NA；
• 若存在多个重叠区间匹配，取第一个命中的区间（按File2的行顺序遍历，找到第一个符合条件的即停止）。

文件示例 #

File 1 #

1   rs537182016 0   8674590 A   C
1   rs575272151 0   69244805    G   C
1   rs544419019 0   69244469    G   C
1   rs354682    0   1268900 G   C

File 2 #

18  16  8674587 8784575 +   ABAT
10349   17  69148007    69244815    -   ABCA10
23461   17  69244435    69327182    -   ABCA5

期望输出 #

1   rs537182016 0   8674590 A   C ABAT
1   rs575272151 0   69244805    G   C ABCA10
1   rs544419019 0   69244469    G   C ABCA10
1   rs354682    0   1268900 G   C NA

现有问题 #

尝试的Awk脚本输出为空文件，脚本如下：

awk 'FNR == NR { val[$1] = $4 }
     FNR != NR { if ($1 in val && val[$1] >= $3 && val[$1] <= $4)
                     print $1, val[$1], $6
               }' file1 file2 > file3

问题分析 #

原脚本存在多处逻辑错误：

1. 文件顺序颠倒：先读取了File1而非存储区间的File2，导致后续无法正确匹配区间。
2. 数组存储逻辑错误：用File1的第1列作为键存储第4列值，没有保存File2的区间信息，无法进行区间判断。
3. 匹配逻辑完全反转：错误地判断File1的第1列对应的第4列值是否在当前File2行的区间内，而非判断File1当前行的第4列是否在File2的区间中。
4. 输出不符合需求：仅输出部分字段，未保留File1整行内容，也未处理无匹配时输出NA的情况。

解决方案 #

以下是修正后的Awk脚本，可实现需求：

# 读取File2，存储所有区间的起始、结束位置及对应基因名
NR == FNR {
    intervals[++count] = $3 "|" $4 "|" $6
    next
}

# 处理File1的每一行
{
    target_pos = $4
    matched_gene = "NA"
    # 遍历所有区间，找到第一个匹配的就停止
    for (i=1; i<=count; i++) {
        split(intervals[i], interval_info, "|")
        start = interval_info[1]
        end = interval_info[2]
        if (target_pos >= start && target_pos <= end) {
            matched_gene = interval_info[3]
            break
        }
    }
    # 输出File1整行 + 匹配结果（或NA）
    print $0, matched_gene
}

使用方法 #

运行命令时，需确保先传入File2，再传入File1：

awk -f script.awk file2 file1 > output.txt

脚本工作原理 #

1. 读取File2：将每行的区间起始、结束位置和基因名用|拼接后存入数组，避免空格分隔的字段混淆。
2. 处理File1：对每行提取第4列的目标位置，遍历所有区间进行匹配。
3. 匹配逻辑：一旦找到第一个包含目标位置的区间，立即记录基因名并终止遍历，确保取第一个匹配结果。
4. 输出结果：打印File1整行内容，加上匹配到的基因名，无匹配则输出NA。

内容的提问来源于stack exchange，提问作者kllrdr