我在处理12GB文件时遇到问题。说到linux，我是个新手。我希望这里有人能帮助我，任何建议都很感激。
我有一个名为phase_3.vcf的文件，如下所示：
##INFO=<ID=EAS_AF,Number=A,Type=Float,Description="Allele frequency in the EAS populations">
##INFO=<ID=EUR_AF,Number=A,Type=Float,Description="Allele frequency in the EUR populations">
##INFO=<ID=AFR_AF,Number=A,Type=Float,Description="Allele frequency in the AFR populations">
##INFO=<ID=AMR_AF,Number=A,Type=Float,Description="Allele frequency in the AMR populations">
##INFO=<ID=SAS_AF,Number=A,Type=Float,Description="Allele frequency in the SAS populations">
#CHROM POS ID REF ALT QUAL FILTER INFO
1 10177 rs367896724 A AC . . dbSNP_150;E_Freq;E_1000G;EAS_AF=0.3363;SAS_AF=0.4949;AFR_AF=0.4909
1 10235 rs540431307 T TA . . dbSNP_150;E_Freq;E_1000G;EAS_AF=0.0000;AMR_AF=0.0014;
1 10352 rs555500075 T TA . . dbSNP_150;EAS_AF=0.4306;EUR_AF=0.4264;SAS_AF=0.4192;
1 10505 rs548419688 A T . . TSA=SNV;E_Freq;EAS_AF=0.0000;AMR_AF=0.0000;AFR_AF=0.0008
1 10506 rs568405545 C G . . dbSNP_150;TSA=SNV;MA=G;MAF=0.000199681;EAS_AF=0.0000;
我想保留前5列和字符串“EAS_AF=”以及后面的数字。
为了简单起见，名为result.txt的结果的预期形式应如下：
#CHROM POS ID REF ALT INFO
1 10177 rs367896724 A AC EAS_AF=0.3363
1 10235 rs540431307 T TA EAS_AF=0.0000
1 10352 rs555500075 T TA EAS_AF=0.4306
1 10505 rs548419688 A T EAS_AF=0.0000
1 10511 rs534229142 G A EAS_AF=0.0000
1 10539 rs537182016 C A EAS_AF=0.0000
最佳答案
您的文件是一个非常常见的生物信息学格式（vcf）。因此，生物信息学中有专门为解决您的任务而设计的工具：
例如，bcftools可以删除除一个元素之外的所有信息元素。
这个工具的缺点是，它严格要求vcf格式。所以它会在你的例子中产生错误。但我认为你缩短了这篇文章的标题，你的原始文件应该没问题。为了让它对我有用，我必须像format definition中所描述的那样调整标题，在标题中添加文件格式和信息行，用于您在变体中注释的每个不同信息：
##fileformat=VCFv4.1
##FILTER=<ID=PASS,Description="All filters passed">
##INFO=<ID=dbSNP_150,Number=0,Type=Flag,Description="has dbSNP 150 entry">
##INFO=<ID=E_Freq,Number=0,Type=Flag,Description="has E_Freq entry">
##INFO=<ID=E_1000G,Number=0,Type=Flag,Description="has E_1000G entry">
##INFO=<ID=EAS_AF,Number=A,Type=Float,Description="Allele frequency in the EAS populations">
##INFO=<ID=EUR_AF,Number=A,Type=Float,Description="Allele frequency in the EUR populations">
##INFO=<ID=AFR_AF,Number=A,Type=Float,Description="Allele frequency in the AFR populations">
##INFO=<ID=AMR_AF,Number=A,Type=Float,Description="Allele frequency in the AMR populations">
##INFO=<ID=SAS_AF,Number=A,Type=Float,Description="Allele frequency in the SAS populations">
##INFO=<ID=TSA,Number=1,Type=String,Description="No idea">
##INFO=<ID=MA,Number=1,Type=String,Description="Minor Allele">
##INFO=<ID=MAF,Number=1,Type=Float,Description="Minor Allele Frequency">
##contig=<ID=1>
##bcftools_annotateVersion=1.4-23-ga468a83+htslib-1.4-34-g8e1be4a
##bcftools_annotateCommand=annotate -x QUAL test2.vcf.gz; Date=Thu Jun 28 17:58:17 2018
#CHROM POS ID REF ALT QUAL FILTER INFO
1 10177 rs367896724 A AC . . dbSNP_150;E_Freq;E_1000G;EAS_AF=0.3363;SAS_AF=0.4949;AFR_AF=0.4909
1 10235 rs540431307 T TA . . dbSNP_150;E_Freq;E_1000G;EAS_AF=0;AMR_AF=0.0014
1 10352 rs555500075 T TA . . dbSNP_150;EAS_AF=0.4306;EUR_AF=0.4264;SAS_AF=0.4192
1 10505 rs548419688 A T . . TSA=SNV;E_Freq;EAS_AF=0;AMR_AF=0;AFR_AF=0.0008
1 10506 rs568405545 C G . . dbSNP_150;TSA=SNV;MA=G;MAF=0.000199681;EAS_AF=0
根据你的标题，你可能需要采取两个额外的步骤来使用这个工具。首先是使用bgzip压缩输入：
bgzip phase_3.vcf
第二种方法是创建一个tabix索引，以启用对压缩文件的快速访问（这将创建一个额外的文件阶段_3.vcf.gz.tbi作为输出）：
tabix phase_3.vcf.gz
输入正确格式后对bcftools的实际调用是：
bcftools annotate -x ^INFO/EAS_AF phase_3.vcf.gz >phase_3_output.vcf
通过这些步骤，我得到了与您期望的输出非常接近的结果：
##fileformat=VCFv4.1
##FILTER=<ID=PASS,Description="All filters passed">
##INFO=<ID=EAS_AF,Number=A,Type=Float,Description="Allele frequency in the EAS populations">
##contig=<ID=1>
##bcftools_annotateVersion=1.4-23-ga468a83+htslib-1.4-34-g8e1be4a
##bcftools_annotateCommand=annotate -x ^INFO/EAS_AF test2.vcf.gz; Date=Thu Jun 28 17:59:04 2018
#CHROM POS ID REF ALT QUAL FILTER INFO
1 10177 rs367896724 A AC . . EAS_AF=0.3363
1 10235 rs540431307 T TA . . EAS_AF=0
1 10352 rs555500075 T TA . . EAS_AF=0.4306
1 10505 rs548419688 A T . . EAS_AF=0
1 10506 rs568405545 C G . . EAS_AF=0
去掉头的前几行，去掉带剪切的QUAL和FILTER列，并用sed重写0到0.0000完成您的任务：
bcftools annotate -x ^INFO/EAS_AF phase_3.vcf.gz | tail -n +7 | cut -f1-5,8 |sed 's/=0$/=0.0000/g' >phase_3_output_finished.vcf
你得到了想要的结果：
#CHROM POS ID REF ALT INFO
1 10177 rs367896724 A AC EAS_AF=0.3363
1 10235 rs540431307 T TA EAS_AF=0.0000
1 10352 rs555500075 T TA EAS_AF=0.4306
1 10505 rs548419688 A T EAS_AF=0.0000
1 10511 rs534229142 G A EAS_AF=0.0000
1 10539 rs537182016 C A EAS_AF=0.0000
取决于你的最终目标是什么，你甚至可以通过了解bcftools等工具的选项来找到实现它的方法，而不必在这里讨论这个步骤。
因为您正在处理生物信息学数据，您可能会在相应的社区中找到进一步的帮助，如biostars或bioinformatics.stackexchange
关于python - 使用linux或python从文件中提取特定的列和字符串，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51084661/