如何使用grep和管道对uniq行从gff文件进行排序。

Question

我正在修第四年的生物信息学课程。在目前的任务中，教授给了我们一个gff文件，其中包含了人类基因组中所有的miRNA基因，注释为基因-MIR。我们应该使用grep，以及正则表达式和其他命令行工具来生成人类基因组中唯一的miRNA名称列表。这看上去相当直截了当，我知道如何做到这一点。但我在整理文件和删除重复行时遇到了困难。我们应该在一个命令行中这样做，但我在这样做时遇到了困难。

这是一个grep命令，用于生成一个基因-和平号列表：

grep -Eo "(\gene-MIR)\d*\w*" file.gff

但这只会产生一个包含多个重复的庞大列表。所以我试着：

grep -Eo "(\gene-MIR)\d*\w*" file.gff > file2 | sort < file2 | uniq -c > file3

但这也不起作用。我已经尝试了以上的许多变体，但我不知道下一步该做什么。

有人能提供任何帮助/建议吗？

Answer 1

您可以使用

grep -o 'gene-MIR[[:alnum:]_]*' file.gff | sort -u > file3

详细信息

• -o -输出匹配的文本only
• gene-MIR[[:alnum:]_]* -正则表达式匹配gene-MIR以及任何零或多个“单词”字符、字母、数字或下划线(因为\w不支持universally)
• sort -u排序，并且只保留唯一的条目。

)