比较两个制表符分隔的文件

Question

这是与生物信息学相关的问题，但仍然是一个非常编程的问题。我未能为下面给出的问题建立一些衬垫，并想到在这里问它。请帮忙。

问题：我有两个文件（制表符分隔）。文件 A 看起来像

chr1    17050255    234916798
chr1    36688211    36840408
chr1    153961765   154156955
chr1    154128722   154194653
chr1    154130378   154156872
chr1    207493679   207819735

这是基因组坐标的列表。

文件 B 的前 3 列还包含基因组坐标，第四列中有一个名称。

chr1    1709155 1709324 MMM3
chr1    1709155 1709324 Sk-20
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZA
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1

我想要的文件 B（以及第四列）与文件 A 重叠的区域并像这样打印

ChrA   StrtA    stpA    ChrB  SrtB  StpB       Name 

文件

A 中的区域首先出现，然后是文件 B 中与其重叠的区域以及文件 B 中第四列的值。

谢谢

Answer 1

使用床上工具 相交床：http://code.google.com/p/bedtools/wiki/Usage#intersectBed

（你也可以问 http://www.biostars.org/）

Answer 2

我绝对建议看看熊猫来做这样的事情。将两者加载到单独的数据帧中，然后您应该能够以要查看的格式将它们合并在一起。

Answer 3

您可以使用DBD：：CSV以SQL格式的方式处理您的问题：

#!/usr/bin/env perl
use strict;
use utf8;
use warnings 'all';
use Data::Printer;
use DBI;
my $dbh = DBI->connect('dbi:CSV:', undef, undef, {
    f_encoding      => 'utf8',
    csv_quote_char  => undef,
    csv_escape_char => undef,
    csv_sep_char    => "t",
    csv_eol         => "n",
    csv_quote_space => 0,
    csv_quote_null  => 0,
    csv_tables      => {
        fileA       => { file => 'fileA.tsv' },
        fileB       => { file => 'fileB.tsv' },
    },
    RaiseError      => 1,
    PrintError      => 1,
}) or die "DBI/DBD::CSV error: " . $DBI::errstr;
my $sth = $dbh->prepare(<<SQL_QUERY);
    SELECT *
    FROM fileA
    JOIN fileB ON
        (StrtA <= StpB) OR (StrtB <= StpA)
    WHERE Name IS NOT NULL
SQL_QUERY
$sth->execute;
while (my $row = $sth->fetchrow_arrayref) {
    p $row;
}
$sth->finish;
$dbh->disconnect;

（不过，我不确定我是否理解您的重叠条件）