生物信息学技能面试题(第4题)-多个同样的行列式文件合并起来

原创 2017-02-18 Jimmy 生信技能树

相信用过htseq-count的朋友都知道，它是分开对每个样本计算所有的基因表达量，所以会生成一个个独立的文件，我用perl脚本模仿它的结果如下：

$ head a.txt
gene_1  178
gene_2  692
gene_3  486
gene_4  666
gene_5  395
gene_6  48
gene_7  926
gene_8  733
gene_9  660
gene_10 578

第一列是基因，第二列是该基因的counts值，共有a~z这26个样本的counts文件，需要合并成一个大的行列式，这样才能导入到R里面做差异分析，如果手工用excel表格做，当然是可以的，但是太麻烦，如果有500个样本，正常人都不会去手工做了，需要编程。

生成测试文件的代码如下：

#首先新建文件tmp.sh 输入这个代码：

perl -le '{print "gene_$_\t".int(rand(1000)) foreach 1..99}'

## 然后用perl脚本调用这个tmp.sh文件：

perl -e 'system(" bash tmp.sh >$_.txt") foreach a..z'

##这样就生成了a~z这26个样本的counts文件

用shell或者perl或者python，设置R语言都可以做，但是各有优缺点，而且如果每个样本的基因顺序并不一致，这时候你应该怎么做呢？

实际需求如下：里面有56个文件()，需要合并成一个表达矩阵，来根据cell-line的不同，分组做差异分析。
paper是：

输出的表达矩阵，如下所示：

请务必做出此题，很重要！

先给一下shell结合R语言的做法：

## 首先在GSE48213_RAW目录里面生成tmp.txt文件

awk '{print FILENAME"\t"$0}' * |grep -v EnsEMBL_Gene_ID >tmp.txt

## 然后把tmp.txt导入R语言里面用reshape2处理即可！

setwd('tmp/GSE48213_RAW/')

a=read.table('tmp.txt',sep = '\t',stringsAsFactors = F)

library(reshape2)

fpkm <- dcast(a,formula = V2~V1)