AWK脚本开发需求：比对$4字段p.开头子串并修改格式

嘿，我来帮你搞定这个AWK脚本的需求！咱们先把需求再理清楚一遍，确保没遗漏：

• 你的输入是制表符分隔的大文件，50列、约1万行
• 只需要处理第4字段（AAChange.refGene）里那些以p.开头的子串
• 目标子串的格式是固定的：p.XXXNNNNYYY（XXX是3个字母的氨基酸缩写，NNNN是1-4位数字，YYY也是3个字母）
• 如果前后两个3字母的氨基酸缩写完全相同，就把这个子串改成p.XXXNNNN=；要是不一样，就保持原行不动

完整AWK代码 #

BEGIN {
    FS = "\t"  # 把输入字段分隔符设为制表符
    OFS = "\t" # 输出也用制表符，保证和原文件格式一致
}

# 处理每一行数据
{
    # 先判断第4字段是不是完全符合我们要找的格式
    if ($4 ~ /^p\.[A-Za-z]{3}[0-9]{1,4}[A-Za-z]{3}$/) {
        # 用match函数把前后字母和中间数字拆出来，存在parts数组里
        match($4, /p\.([A-Za-z]{3})([0-9]{1,4})([A-Za-z]{3})/, parts)
        
        # 比对前后两个3字母的氨基酸缩写
        if (parts[1] == parts[3]) {
            # 相同的话就替换成要求的格式
            $4 = "p." parts[1] parts[2] "="
        }
        # 不一样的话啥也不用做，保持原字段就行
    }
    # 不管改没改，都输出整行
    print $0
}

代码逻辑拆解 #

我给你逐部分解释下这段代码怎么工作：

1. BEGIN块：一开始就把输入和输出的字段分隔符都设为制表符，这样处理完的文件格式和原文件完全一致，不会乱掉。
2. 行判断：用正则表达式/^p\.[A-Za-z]{3}[0-9]{1,4}[A-Za-z]{3}$/检查第4字段是不是严格符合我们要的格式——避免匹配到那些带额外字符的子串（比如后面加了分号的情况）。
3. 拆分字段：match()函数配合捕获组，把p.后面的3字母、中间的数字、最后3字母分别提取到parts[1]、parts[2]、parts[3]里，这样比对和替换就方便多了。
4. 替换逻辑：如果前后两个3字母相同，就把第4字段改成p.XXX数字=的格式；不同的话就跳过，保持原样。
5. 输出：不管有没有修改，都输出整行，保证所有行都被保留，不会丢数据。

示例验证 #

咱们用实际例子测试下，确保代码能正常工作：

输入示例（制表符分隔） #

col1	col2	col3	p.Ala123Ala	col5	...
col1	col2	col3	p.Ser456Phe	col5	...
col1	col2	col3	p.Leu78Leu	col5	...

输出示例（制表符分隔） #

col1	col2	col3	p.Ala123=	col5	...
col1	col2	col3	p.Ser456Phe	col5	...
col1	col2	col3	p.Leu78=	col5	...

额外说明 #

如果你的第4字段里有多个p.开头的子串（比如p.Ala123Ala;p.Ser456Phe这种用分号分隔的情况），上面的代码只会处理完全匹配格式的单个子串。要是需要处理多子串的场景，随时说，我再给你调整代码！另外，正则里的[A-Za-z]兼容大小写的氨基酸缩写，如果你的数据是严格大写或者小写，可以改成[A-Z]或[a-z]，能稍微提升点匹配效率。

内容的提问来源于stack exchange，提问作者justaguy