将一个值与 perl 上的一系列重叠值进行比较

Question

第一个文件列出了转录因子和与之相关的基因组区域。它排列有chr，起始位置，结束位置，转录因子的名称。它看起来像这样：

chr1 10089 10309 ZBTB33
chr1 10132 10536 TAF7_(SQ-8)
chr1 10133 10362 Pol2-4H8
chr1 10148 10418 MafF_(M8194)
chr1 10382 10578 ZBTB33
chr1 16132 16352 CTCF
chr1 29308 29578 TAF1
chr1 29328 29558 HEY1
chr2 89802 90046 USF-1
chr4 91180 91560 CTCF

请注意，许多区域重叠。

第二个文件很简单。一列查询。它看起来像这样：

chr1_10350
chr1_12090
chr1_16250
chr1_24512
chr5_1142341

我希望获得报告查询及其相关转录因子的输出。喜欢这个：

chr1_10350 TAF7_(SQ-8)
chr1_10350 Pol2-4H8
chr1_10350 MafF_(M8194)
chr1_10350 ZBTB33
chr1_16250 CTCF

我尝试了一个修改后的perl脚本（将一个列表匹配到另一个列表）：

#!/usr/bin/perl 
use warnings;
use strict;
open(my $db, "<", "first_file.txt") or die "Cannot open < first_file.txt: $!";
open(my $tst, "<", "second_file.txt") or die "Cannot open < second_file.txt: $!";
open (OUT, ">Result.txt") or die "Cannot create output file";
my @database;
while (<$db>) {
    chomp;
    my @fields = split;
    push @database, @fields;
}
while (my $line = <$tst>) {
    chomp($line);
    my ($chr, $pos) = split /_/, $line;
    foreach my $entry (@database) {
        if ($chr eq $entry->[0] && $entry->[1] <= $pos && $pos <= $entry->[2]) {
            print OUT "$line $entry->[3]n";
        }
    }
}

但它不仅非常慢，而且来自第二个文件（例如 chr1_10350）的重复查询只会导致输出中的一个条目，而不是所有条目。

如能提供指导，将不胜感激。谢谢。

Answer 1

我已经在机器上提供的数据（Win7，ActiveState Perl v5.16）上执行了您的脚本，并且效果很好。
只有一个注意事项：结果数据仅包含 4 个元素（这是正确的）：

    chr1_10350 TAF7_(SQ-8)
    chr1_10350 Pol2-4H8
    chr1_10350 MafF_(M8194)
    chr1_16250 CTCF

Answer 2

你可以

尝试使用以下bash，使用系统命令执行它

join -t' ' -1 1 -2 1 <（cat second_file.txt |awk '{

gsub（/_/，" "，$1）;p rint $0}'） first_file.txt|cut -d' ' -f1,2,5|awk -F' ' '{print $1"_"$2" "$3;}'