Snakemake如何基于元数据表批量生成规则的全部输出文件列表

现有Snakefile中extractfeat规则定义如下：

rule extractfeat:
    input:
        '/path/to/file/{genome}.gbk'
    output:
        '{genome}_{locus_tag}_{gene}_{substrate}.fasta'
    shell:
        '''
        extractfeat {input} {output} -value {wildcards.genome}_{wildcards.locus_tag} -type CDS -describe product,locus_tag
        '''

同时存在一份制表符/多空格分隔的通配符取值表，列依次为genome、locus_tag、gene、substrate，每行对应一组通配符组合，需要生成所有符合规则output格式的文件路径，每行一个。

方案1：命令行直接生成（适合快速导出路径列表） #

假设通配符表文件名为wildcard_table.tsv，直接执行awk命令即可批量生成路径，结果写入output_file_list.txt：

# 自动跳过表头，兼容制表符、多空格分隔的输入格式
awk 'NR>1 {printf "%s_%s_%s_%s.fasta\n", $1,$2,$3,$4}' wildcard_table.tsv > output_file_list.txt

如果确认输入文件严格使用制表符分隔，可以加上分隔符参数提升解析准确性：

awk -F '\t' 'NR>1 {printf "%s_%s_%s_%s.fasta\n", $1,$2,$3,$4}' wildcard_table.tsv > output_file_list.txt

方案2：Snakemake流程内动态生成（适合流程开发场景） #

如果需要在Snakefile中直接引用所有输出作为目标任务，不需要额外导出文件，可以直接在流程内读取表格生成路径列表：

import pandas as pd

# 读取通配符表，sep="\s+"可同时兼容制表符、多空格分隔的格式
wildcard_tbl = pd.read_csv("wildcard_table.tsv", sep="\s+")
# 按规则output格式批量拼接所有输出路径
target_outputs = [
    f"{row.genome}_{row.locus_tag}_{row.gene}_{row.substrate}.fasta"
    for _, row in wildcard_tbl.iterrows()
]

# 将路径列表传入rule all的input，即可触发所有对应任务的运行
rule all:
    input:
        target_outputs

生成的路径格式示例（对应示例表格前3行）：

PalbDSM11370_02121_susC_pululan.fasta
PalbDSM11370_02122_susD_pululan.fasta
PalbDSM11370_01210_susC_arabinan.fasta

内容的提问来源于stack exchange，提问作者aetobatus-narinari