Utilisation de create awk deux tableaux à partir de deux valeurs de la colonne, trouver différence et les différences somme, et les données de sortie

Question

j'ai un fichier avec les champs suivants (et une valeur d'exemple à droite):

hg18.ensGene.bin 0 
hg18.ensGene.name ENST00000371026 
hg18.ensGene.chrom chr1 
hg18.ensGene.strand - 
hg18.ensGene.txStart 67051161 
hg18.ensGene.txEnd 67163158 
hg18.ensGene.exonStarts 67051161,67060631,67065090,67066082,67071855,67072261,67073896,67075980,67078739,67085754,67100417,67109640,67113051,67129424,67131499,67143471,67162932, 
hg18.ensGene.exonEnds 67052451,67060788,67065317,67066181,67071977,67072419,67074048,67076067,67078942,67085949,67100573,67109780,67113208,67129537,67131684,67143646,67163158, 
hg18.ensGene.name2 ENSG00000152763 
hg18.ensGene.exonFrames 0,2,0,0,1,2,0,0,1,1,1,2,1,2,0,2,0, 

C'est un version abrégée du fichier:

0 ENST00000371026 chr1 - 67051161 67163158 67051161,67060631,67065090,67066082,67071855,67072261,67073896,67075980,67078739,67085754,67100417,67109640,67113051,67129424,67131499,67143471,67162932, 67052451,67060788,67065317,67066181,67071977,67072419,67074048,67076067,67078942,67085949,67100573,67109780,67113208,67129537,67131684,67143646,67163158, ENSG00000152763 0,2,0,0,1,2,0,0,1,1,1,2,1,2,0,2,0, uc009waw.1,uc009wax.1,uc001dcx.1, 
0 ENST00000371023 chr1 - 67075869 67163055 67075869,67078739,67085754,67100417,67109640,67113051,67129424,67131499,67143471,67162932, 67076067,67078942,67085949,67100573,67109780,67113208,67129537,67131684,67143646,67163055, ENSG00000152763 0,1,1,1,2,1,2,0,2,0, uc001dcy.1 
0 ENST00000395250 chr1 - 67075991 67163158 67075991,67076022,67078739,67085754,67100417,67109640,67113051,67129424,67131499,67143471,67162932, 67076018,67076067,67078942,67085949,67100573,67109780,67113208,67129537,67131684,67143646,67163158, ENSG00000152763 0,0,1,1,1,2,0,-1,-1,-1,-1, n/a 

je dois résumer la différence des départs d'exons et se termine par exemple:

hg18.ensGene.exonStarts 67051161,67060631,67065090,67066082,67071855,67072261,67073896,67075980,67078739,67085754,67100417,67109640,67113051,67129424,67131499,67143471,67162932, 
hg18.ensGene.exonEnds 67052451,67060788,67065317,67066181,67071977,67072419,67074048,67076067,67078942,67085949,67100573,67109780,67113208,67129537,67131684,67143646,67163158, 

différence:

1290,157,227,99,122,158,152,87,203,195,156,140,157,113,185,175,226 

somme

(hg18.ensGene.exonLenSum):

3842 

Et je voudrais la sortie d'avoir les champs suivants:

hg18.ensGene.name 
hg18.ensGene.name2 
hg18.ensGene.exonLenSum 

tels que celui-ci:

ENST00000371026 ENST00000371023 3842 

Je voudrais le faire avec un script awk pour toutes les lignes dans le fichier d'entrée. Comment puis-je faire ceci? Ceci est utile pour calculer des longueurs d'exon, par exemple pour un calcul RPMK (lectures par Kilon exon modèle par millions de lectures mappées).

Answer 1

so ross$ awk -f gene.awk gene.dat 
ENST00000371026 ENSG00000152763 3842 
ENST00000371023 ENSG00000152763 1645 
ENST00000395250 ENSG00000152763 1622 
so ross$ cat gene.awk 
/./ { 
    name = $2 
    name2 = $9 
    s = $7 
    e = $8 
    sc = split(s, sa, ",") 
    ec = split(e, ea, ",") 
    if (sc != ec) { 
    print "starts != ends ", name, name2, sc, ec 
    } 
    diffsum = 0 
    for(i = 1; i <= sc; ++i) { 
    diffsum += ea[i] - sa[i] 
    } 
    print name, name2, diffsum 
} 

Answer 2

en utilisant le serveur anonyme mysql UCSC:

mysql -N -h genome-mysql.cse.ucsc.edu -A -u genome -D hg18 -e 'select name,name2,exonStarts,exonEnds from ensGene' |\ 
awk -F ' ' '{n=split($3,a1,"[,]"); split($4,a2,"[,]"); size=0; for(i=1;i<=n;++i) {size+=int(a2[i]-a1[i]);} printf("%s\t%s\t%d\n",$1,$2,size); }' 

Résultat:

ENST00000404059 ENSG00000219789 632 
ENST00000326632 ENSG00000146556 1583 
ENST00000408384 ENSG00000221311 138 
ENST00000409575 ENSG00000222003 1187 
ENST00000409981 ENSG00000222027 1187 
ENST00000359752 ENSG00000197490 126 
ENST00000379479 ENSG00000205292 873 
ENST00000326183 ENSG00000177693 918 
ENST00000407826 ENSG00000219467 2820 
ENST00000405199 ENSG00000220902 1231 
(...)