☰

最初の列に基づいて複数のファイルをマージし、メモリの問題を保存します。

tag-icon • tag-icon memory perl
最初の列に基づいて複数のファイルをマージし、メモリの問題を保存します。

タブで区切られた複数のfastqファイルがあります。毎回読み取る 2 行目を一致させ、一致する場合は、横に値を追加します。たとえば、


file1.fq
>1
ATGCCGTT      file1:1
+
HHHHKKKK

file2.fq
>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

私が望む出力は次のとおりです。


output.txt

ATGCCGTT      file1:1    file2:3     count:4
ATTCCAAC      file2:1          count:1

私が書いたコードは次のとおりです。



#!/usr/bin/env perl
use strict;
use warnings;
no warnings qw( numeric );
my %seen;


$/ = "";
while () {
    chomp;
    my ($key, $value) = split ('\t', $_);

    my @lines = split /\n/, $key;
    my $key1 = $lines[1];

    $seen{$key1} //= [ $key ];
    push (@{$seen{$key1}}, $value);

}

foreach my $key1 ( sort keys %seen ) {
my $tot = 0;
my $file_count = @ARGV;
for my $val ( @{$seen{$key1}} ) {
        $tot += ( split /:/, $val )[0];
    }   

if ( @{ $seen{$key1} } >= $file_count) {


        print join( "\t", @{$seen{$key1}});
        print "\tcount:". $tot."\n\n";
    }
}

このコードは小さなファイルではうまく機能しますが、より大きなファイルを比較しようとするとメモリ全体が占有されるため、結果なしでスクリプトが実行されます。メモリを消費しないようにスクリプトを変更したいと思います。どのモジュールも使用したくありません。一度に1つのファイルだけをメモリにロードすると、メモリが節約されると思いましたが、そうすることはできません。私のスクリプトを修正するのに役立ちます。

答え1

試してみましたawkか？大容量のファイルをよりよく処理するかどうかはわかりませんが、perl試してみる価値があります。

awkスクリプトから：

BEGIN {
    RS=">[0-9]+"
}

FNR==1{next}

NR==FNR {
    a[$1]++
    next
}


$1 in a {
    b[$1]++
    next
}

{
    c[$1]++
}

END {
    for (key in a) {
        if (b[key] == "") {
            printf key"\tfile1:"a[key]"\t\tcount:"a[key]"\n"
        } else {
            printf key"\tfile1:"a[key]"\tfile2:"b[key]"\tcount:"a[key]+b[key]"\n"
        }
    }
    for (key in c) {
        printf key"\t\tfile2:"c[key]"\tcount:"c[key]"\n"
    }
}

実行してください：

$ awk -f myscript.awk file1 file2 > output.txt

テストしてみてください：

ファイル1

>1
ATGCCGTT      file1:1
+
HHHHKKKK

>2
ATTCCAACg        file2:1
+
=#GJLMNB

ファイル2

>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

ターミナル出力：

ATTCCAACg   file1:1         count:1
ATGCCGTT    file1:1 file2:1 count:2
ATTCCAAC            file2:1 count:1

答え2

毎日の神秘的な呪文を追加してください

use DB_File;
my %seen; 
unlink '/tmp/translation.db';
sleep 2; 
tie ( %seen, 'DB_File', '/tmp/translation.db' )
    or die "Can't open /tmp/translation.db\n";

そして、ハッシュはもはやメモリに常駐せず、ディスク上のデータベースに常駐します。残りのコードはそのまま残すことができます。実際、DB_Fileモジュールを使用しましたが、使用しない理由はまったくありません。それはすべてを伴う真珠別途の設置が不要となるよう、直ちに設置されます。

ハッシュが非常に大きくなると、私はいつもこの方法を使いましたが、あいまいに定義されたヒューズポイントを通過した後に速度が大幅に速くなることがわかりました。

関連情報