sed, script bash ou autre pour trier un fichier

Bonjour,

Je souhaite analyser sous R des données qui sont contenues dans un fichier de 71230 lignes. Je viens de me rendre compte que R ne peut pas ouvrir le fichier en entier.
Chaque ligne est constitué de l'un des 4 statuts : Unknow, Somatic, Germline et LOH. Je ne suis intéressée que par les lignes Somatic (16007) et LOH (9101). J'ai donc juste besoin de 25108 lignes, ce que je pourrai ouvrir avec R.

Le problème est que mon fichier n'étant pas trié, je n'obtiens pour le moment que 14613 de mes 16007 lignes Somatic et j'ai le même problème pour LOH.

Je voudrais donc trier mon fichier par ordre décroissant sur une certaine colonne ou bien supprimer les lignes contenant les statuts qui ne m'intéressent pas.

J'ai regardé du côté de sed, mais j'ai l'impression que ce n'est pas possible. Existe-t-il un moyen simple pour faire ceci ?

Merci d'avance,
Jane

Sans avoir à trier, grep, sed ou awk peuvent faire l'affaire. Ils sont à utiliser en fonction de la sortie escomptée.
Pour un eréponse plus précise, il serait opportun de fournir un échantillon du fichier d'entrée (ou le fichier en entier) et un échantillon de la sortie escomptée.

Voici le début du fichier qui m'intéresse :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

chrom position ref var normal_reads1 normal_reads2 normal_var_freq normal_gt tumor_reads1 tumor_reads2 tumor_var_freq tumor_gt somatic_status variant_p_value somatic_p_value tumor_reads1_plus tumor_reads1_minus tumor_reads2_plus tumor_reads2_minus chr1 14464 A T 20 0 0% A 7 3 30% W Somatic 1.0 0.029556650246305542 0 7 1 2 chr1 14930 A G 1 48 97,96% G 146 54 27% A Unknown 1.0 1.843344701565351E-21 108 38 36 18 chr1 15820 G T 27 0 0% G 9 4 30,77% K Somatic 1.0 0.007823613086771071 1 8 3 1 chr1 129285 G A 0 9 100% A 53 14 20,9% G Unknown 1.0 5.736008051269414E-6 0 53 0 14 chr1 717474 C T 66 0 0% C 57 31 35,23% Y Somatic 1.0 1.7991929552865899E-9 1 56 1 30 chr1 741397 A G 14 0 0% A 7 5 41,67% R Somatic 1.0 0.012040133779264151 0 7 1 4 chr1 753269 C G 0 53 100% G 0 96 100% G Germline 4.252004377960163E-89 1.0 0 0 65 31 chr1 753405 C A 0 22 100% A 30 24 44,44% M Germline 1.0 1.0858172276183268E-6 1 29 1 23 chr1 753425 T C 0 11 100% C 26 9 25,71% T Unknown 1.0 1.2589965486461126E-5 0 26 0 9 chr1 808631 G A 0 16 100% A 11 9 45% R Germline 3.935963849997188E-11 2.7955812160483743E-4 10 1 8 1 chr1 808922 G A 0 72 100% A 0 69 100% A Germline 2.7108827088360404E-84 1.0 0 0 52 17 chr1 808928 C T 0 60 100% T 103 33 24,26% C Unknown 1.0 9.59523507266666E-27 77 26 27 6 chr1 881734 T C 62 0 0% T 36 32 47,06% Y Somatic 1.0 9.71847361183559E-12 26 10 20 12 chr1 887537 C T 31 0 0% C 12 9 42,86% Y Somatic 1.0 7.989235556303396E-5 3 9 2 7 chr1 887801 A G 0 6 100% G 0 11 100% G Germline 4.2852131239177147E-10 1.0 0 0 7 4 chr1 888639 T C 0 9 100% C 0 8 100% C Germline 4.2852131239177147E-10 1.0 0 0 0 8 chr1 888659 T C 0 17 100% C 0 18 100% C Germline 8.913746132430519E-21 1.0 0 0 2 16 chr1 896950 C A 56 0 0% C 25 30 54,55% M Somatic 1.0 2.6915791163877037E-12 8 17 11 19 chr1 897325 G C 0 30 100% C 53 12 18,46% G Unknown 1.0 2.3419201755927007E-15 22 31 4 8 chr1 909238 G C 0 8 100% C 0 5 100% C Germline 9.614829913658729E-8 1.0 0 0 5 0 chr1 909768 A G 0 14 100% G 0 10 100% G Germline 3.101005612159882E-14 1.0 0 0 2 8 chr1 948921 T C 0 31 100% C 46 11 19,3% T Unknown 1.0 7.690645926488384E-15 32 14 6 5 chr1 949654 A G 0 55 100% G 40 38 48,72% R Germline 1.0 1.6840233488752786E-12 19 21 16 22 chr1 949925 C T 0 9 100% T 2 6 75% T Germline 7.327714441899113E-8 0.2058823529411759 0 2 0 6 chr1 981087 A G 0 48 100% G 28 31 52,54% R Germline 1.0 1.2301692287976423E-9 22 6 24 7 chr1 982844 G C 0 9 100% C 68 0 0% G Unknown 1.0 6.198761061406022E-12 33 35 0 0 chr1 982941 T C 0 10 100% C 37 5 11,9% T Unknown 1.0 1.8982271823600982E-7 26 11 4 1 chr1 982994 T C 0 6 100% C 38 4 9,52% T Unknown 1.0 1.7112805659155856E-5 19 19 1 3 chr1 987200 C T 0 34 100% T 19 19 50% Y Germline 1.0 3.0016097649396463E-7 10 9 2 17 chr1 1158631 A G 0 53 100% G 26 18 40,91% R Germline 1.0 3.67095725066703E-12 20 6 16 2 chr1 1163804 C T 6 4 40% Y 8 9 52,94% Y Germline 1.8100282040500075E-5 0.40183066361555997 8 0 9 0 chr1 1163964 G A 58 45 43,69% R 121 0 0% G LOH 1.0 8.400827858047971E-19 88 33 0 0 chr1 1178245 C T 12 14 53,85% Y 8 9 52,94% Y Germline 2.0321587342187875E-9 0.6447996728408544 7 1 8 1 chr1 1222958 C T 23 33 58,93% Y 68 0 0% C LOH 1.0 2.468798513345102E-15 16 52 0 0

---

Seules les lignes où la colonne somatic-status est Somatic ou LOH m'intéressent. Je voudrais donc le fichier suivant :

Code:

---

1 2 3 4 5 6 7 8 9 10 11

chrom position ref var normal_reads1 normal_reads2 normal_var_freq normal_gt tumor_reads1 tumor_reads2 tumor_var_freq tumor_gt somatic_status variant_p_value somatic_p_value tumor_reads1_plus tumor_reads1_minus tumor_reads2_plus tumor_reads2_minus chr1 14464 A T 20 0 0% A 7 3 30% W Somatic 1.0 0.029556650246305542 0 7 1 2 chr1 15820 G T 27 0 0% G 9 4 30,77% K Somatic 1.0 0.007823613086771071 1 8 3 1 chr1 717474 C T 66 0 0% C 57 31 35,23% Y Somatic 1.0 1.7991929552865899E-9 1 56 1 30 chr1 741397 A G 14 0 0% A 7 5 41,67% R Somatic 1.0 0.012040133779264151 0 7 1 4 chr1 881734 T C 62 0 0% T 36 32 47,06% Y Somatic 1.0 9.71847361183559E-12 26 10 20 12 chr1 887537 C T 31 0 0% C 12 9 42,86% Y Somatic 1.0 7.989235556303396E-5 3 9 2 7 chr1 896950 C A 56 0 0% C 25 30 54,55% M Somatic 1.0 2.6915791163877037E-12 8 17 11 19 chr1 1163964 G A 58 45 43,69% R 121 0 0% G LOH 1.0 8.400827858047971E-19 88 33 0 0 chr1 1222958 C T 23 33 58,93% Y 68 0 0% C LOH 1.0 2.468798513345102E-15 16 52 0 0

---

J'imagine que c'est facilement faisable quand on maîtrise le langage shell, ce qui n'est pas mon cas. D'habitude, je peux ouvrir mes fichiers dans R et sélectionner ce que je veux...

Code:

---

awk '{ if ($13 == "LOH" || $13 == "Somatic") { print} }' MonFichier

---

Devrait convenir.

Effectivement, c'est ce qui me fallait :ccool:
Bon, en ouvrant et modifiant mon fichier avec Libre Office Calc et Gedit, j'ai bien l'impression d'avoir perdu tout ce qui n'a pas pu être affiché... Il faut que je regénère mon fichier :aie:
Je vérifierai si une fois mon fichier complet retrouvé, j'ai bien tout ce qu'il me faut !

En fait, cette commande affiche sur le terminal et fonctionne avec GNU awk, mais dans tous les cas elle ne modifie pas le fichier original.
Pour écrire dans un fichier, il faut utiliser la redirection :

Code:

---

awk '{ if ($13 == "LOH" || $13 == "Somatic") { print} }' MonFichier > NouveauFichier

---

Oui, oui, ça, ça va. J'ai bien redirigé la sortie et c'est dans le nouveau fichier que j'ai vu qu'il me manquait des infos.
Je pense les avoir perdues en triant mon fichier dans Libre Office Calc avant et en enregistrant les modifs...