技术问询：如何按首列合并基因组数据行并整合区间与外显子信息

这是个很常见的文本聚合需求，用awk就能完美解决，我直接给你写好脚本，完全匹配你的需求：

核心思路 #

我们需要按第一列的read ID分组，对每组执行以下操作：

• 保留chr、链方向、基因名、转录本ID这些固定字段（假设同一read ID的这些字段完全一致，若有例外可以调整逻辑）
• 计算区间的最小起始位和最大终止位
• 用逗号拼接所有外显子名称

实现脚本 #

创建一个名为merge_reads.awk的文件，内容如下：

BEGIN { FS = OFS = "\t" }  # 设置输入输出分隔符为制表符
{
    key = $1  # 用第一列作为分组键
    if (!seen[key]) {
        # 首次遇到该read ID，初始化所有字段
        chr[key] = $2
        strand[key] = $5
        gene[key] = $6
        transcript[key] = $7
        start[key] = $3
        end[key] = $4
        exons[key] = $8
        seen[key] = 1
    } else {
        # 更新区间：取更小的起始、更大的终止
        if ($3 < start[key]) start[key] = $3
        if ($4 > end[key]) end[key] = $4
        # 拼接外显子
        exons[key] = exons[key] "," $8
    }
}
END {
    # 遍历所有分组，输出结果
    for (key in seen) {
        print key, chr[key], start[key], end[key], strand[key], gene[key], transcript[key], exons[key]
    }
}

运行方式 #

假设你的输入文件是input.txt，在终端执行：

awk -f merge_reads.awk input.txt

或者直接用单行命令（不用单独存脚本）：

awk 'BEGIN { FS = OFS = "\t" } {key=$1; if(!seen[key]){chr[key]=$2; strand[key]=$5; gene[key]=$6; transcript[key]=$7; start[key]=$3; end[key]=$4; exons[key]=$8; seen[key]=1}else{if($3<start[key])start[key]=$3; if($4>end[key])end[key]=$4; exons[key]=exons[key]","$8}} END{for(key in seen)print key,chr[key],start[key],end[key],strand[key],gene[key],transcript[key],exons[key]}' input.txt

测试验证 #

用你提供的输入数据测试，输出结果完全符合预期：

readA	chr1	229665946	229675338	+	ABCB10	NM_012089	exon6,exon7,exon8
readB	chr2	229675000	229675888	+	KGB09	NM_022158	exon2

注意事项 #

如果你的数据中存在同一read ID对应不同chr/基因/转录本的情况，脚本会默认保留第一次遇到的值。如果需要处理这种异常场景，可以在else分支里添加判断逻辑（比如打印警告或按更细的维度分组）。

内容的提问来源于stack exchange，提问作者mike