求个匹配的命令

huang6894

问题一：

1. 
   
2. T       C       c.1171C>T
   
3. TT       C       c.1171C>TT
   
4. delN    GA      c.1191_1192delN
   
5. T       G       c.136delT
   
6. N       GGGAAAGGAAGGCTA c.1227_1241delN>ins11N
   
7. A       G       c.1237dupN
   
8. delN    ATC       c.1239dupATC
   
9. delN    ATC       c.1239insATC
   
10. delN    CTATCTCCACGT    c.1239_1250insN
    
11. delN    TATC    c.117delATCG>insAA
    

复制代码

对于上面的文本，三列，tab分隔，我想得到第四列，第四列是从第三列中“c.[0-9]+”后面匹配出来的，分五种情况：
1、如果是"[ATCG]+">"[ATCG]+"的话，输出“>"后面的"[ATCG]+"，如c.1171C>T，则输出T，c.1171C>TT,输出TT；
2、如果是”del[ATCGN]+"的话，输出第二列中第一位[ATCG]，比如第三列是c.117delATCG.第二列是AATCG的话，输出A；第三列是c.117delN.第二列是TCG的话，输出T；
3、如果是”dup[ATCGN]+"的话，输出第二列中全部[ATCG]+两次，比如第三列是c.117dupATCG.第二列是ATCG的话，输出ATCGATCG；第三列是c.117dupN.第二列是TCG的话，输出TCGTCG；
4、如果是”ins[ATCGN0-9]+"的话，输出第二列中全部“[ATCG]+”以及ins后面的全部“字符”，比如第三列是c.117insATCG.第二列是CG的话，输出CGATCG；第三列是c.117insN.第二列是TCG的话，输出TCGN；第三列是c.117ins11.第二列是TCG的话，输出TCG11；
难点：
5、组合形式：如果是同时存在del和ins的，输出第二列中第一位[ATCG]”以及ins后面的全部“字符”，比如第三列是c.1227_1241delN>ins11N.第二列是CG的话，输出CG11N；第三列是c.117delATCG>insN.第二列是AATCG的话，输出AN；第三列是c.117delATCG>insAA.第二列是ATCG的话，输出AAA；
-------------------------------------------
所以我期望得到的结果是：

1. 
   
2. T       C       c.1171C>T     T
   
3. TT       C       c.1171C>TT     TT
   
4. delN    GA      c.1191_1192delN     GA
   
5. T       G       c.136delT     G
   
6. N       GGGAAAGGAAGGCTA c.1227_1241delN>ins11N     G11N
   
7. A       G       c.1237dupN     GG
   
8. delN    ATC       c.1239dupATC     ATCATC
   
9. delN    ATC       c.1239insATC     ATCATC
   
10. delN    CTATCTCCACGT    c.1239_1250insN    CTATCTCCACGTN
    
11. delN    TATC    c.117delATCG>insAA   TAA
    

复制代码

求助了，大神们~

Herowinter

说好的问题二、三、四呢

Herowinter

回复 1# huang6894
第3行

1. delN    GA      c.1191_1192delN     GA

复制代码

好像不在上面的5种情况之内？
还有第9行。主要是c.[0-9]+匹配不上这里的下划线。

   

Herowinter

回复 1# huang6894
两个假定：
1. c.[0-9]+应该为c.[0-9_]+
2. $2肯定是[ATCGN]+,不含其他无关字符

1. awk '$3~/c.[0-9_]+[ATCG]+>[ATCG]+/{$0=$0"\t"gensub(/.*>(.*)/,"\\1",1,$3);print;next}
   
2. $3~/c.[0-9_]+del.*ins.*/{$0=$0"\t"substr($2,1,1)gensub(/.*ins(.*)/,"\\1",1,$3);print;next}
   
3. $3~/c.[0-9_]+del[ATCGN_]+/{$0=$0"\t"substr($2,1,1);print;next}
   
4. $3~/c.[0-9_]+dup[ATCGN]+/{$0=$0"\t"$2$2;print;next}
   
5. $3~/c.[0-9_]+ins[ATCGN0-9]+/{$0=$0"\t"$2gensub(/.*ins(.*)/,"\\1",1,$3);print;next}' i

复制代码

结果，第3行有点不一样

1. T       C       c.1171C>T        T
   
2. TT       C       c.1171C>TT        TT
   
3. delN    GA      c.1191_1192delN        G
   
4. T       G       c.136delT        G
   
5. N       GGGAAAGGAAGGCTA c.1227_1241delN>ins11N        G11N
   
6. A       G       c.1237dupN        GG
   
7. delN    ATC       c.1239dupATC        ATCATC
   
8. delN    ATC       c.1239insATC        ATCATC
   
9. delN    CTATCTCCACGT    c.1239_1250insN        CTATCTCCACGTN
   
10. delN    TATC    c.117delATCG>insAA        TAA
    

复制代码

yestreenstars

1. awk -vOFS='\t' '{t=substr($2,1,1);if(match($3,/.*del.*ins(.*)/,a))$4=t""a[1];else if(match($3,/.*ins(.*)/,a))$4=$2a[1];else if($3~"del")$4=t;else if($3~"dup")$4=$2$2;else $4=gensub(/.*>(.*)/,"\\1",1,$3)}1' i
   
2. T       C       c.1171C>T       T
   
3. TT      C       c.1171C>TT      TT
   
4. delN    GA      c.1191_1192delN G
   
5. T       G       c.136delT       G
   
6. N       GGGAAAGGAAGGCTA c.1227_1241delN>ins11N  G11N
   
7. A       G       c.1237dupN      GG
   
8. delN    ATC     c.1239dupATC    ATCATC
   
9. delN    ATC     c.1239insATC    ATCATC
   
10. delN    CTATCTCCACGT    c.1239_1250insN CTATCTCCACGTN
    
11. delN    TATC    c.117delATCG>insAA      TAA

复制代码

huang6894

回复 2# Herowinter


    嘻嘻，其实是截取出来的：
问题二：awk中gsub("ins([0-9]+)?N(>)?","ins",$5);，如果我想保留匹配的数字怎么办？

huang6894

回复 3# Herowinter


    哦哦，sorry~我应该说明一下的就是c.[0-9]+的情况包括：
c.117、c.117_118、c.117+1、c.118-1、c.117+1_c.118、c.117+1_c.118-1、c.117+1_c.118+1、c.*117_c.*118、c.*118

huang6894

回复 5# yestreenstars


    谢谢大神们

huang6894

回复 4# Herowinter


    谢谢，谢谢大神

Herowinter

回复 6# huang6894
需要反向引用我都用gensub的。