文本文件是生物信息学中应用非常广泛的文本格式，甚至可以说是最重要的文件格式，比如常见的测序下机数据Fastq、参考基因组保存格式Fasta、比对文件SAM，以及突变列表VCF，它们都是文本文件。熟练地进行文本文件的处理，对于生信数据分析来说非常重要。比如为特定程序准备相应的输入文件，或者从结果文件中提取需要的信息。

文本文件的操作贯穿生信数据处理的始终，甚至有人开玩笑说，搞生信分析，就是进行各种文件格式的转换。有时候确实可以这么说，因为现在有许多软件/包都写得非常完善了，只需要准备好相应的输入文件，一行代码即可完成分析。

可以说，善于文本文件的处理，生信数据分析就站在了一个非常高的起点。UseGalaxy.cn平台有非常强大的文本数据处理功能，本文就来系统地介绍这些文本处理工具的用法。

测试数据

• Libraries > Table data: heatmap_test.tsv，一个模拟的 RNA-seq 表达量矩阵数据。

1. 文本操纵（Text Manipulation）

选择开始的多少行

工具：Text Manipulation > Select first lines from a dataset

目标：选择前10行

操作：

• Select first: 11 (因为文件有表头，所以这里设置为前11行)

• from: heatmap_test.tsv

结果：

选择结尾的多少行

工具： Text Manipulation > Select last lines from a dataset

目标： 选择结尾的10行

操作：

• Select last: 10

• from: heatmap_test.tsv

• Dataset has a header: Yes

结果：

随机选择多少行

工具： Text Manipulation > Select random lines from a file

目标： 随机选择5行

操作：

• Randomly select: 5

• from: heatmap_test.tsv

结果：

删除开始的多少行

工具： Text Manipulation > Remove beginning of a file

目标： 删除表头

操作：

• Remove first: 1

• from: heatmap_test.tsv

结果：

选择列

工具： Text Manipulation > Cut columns from a table

目标： 选择第1，2，5列

操作：

• Cut columns: c1,c2,c5

• from: heatmap_test.tsv

结果：

增加列到一个数据表

工具： Text Manipulation > Add column to an existing dataset

目标： 在最后一列增加一个+号

操作：

• Add this value：+

• to Dataset: Remove beginning on data 1

• Iterate?: NO

结果：

目标： 在最后一列增加从1开始不断迭代的编号

操作：

• Add this value：1

• to Dataset: Remove beginning on data 1

• Iterate?: YES

结果：

纵向合并多个文件

工具： Text Manipulation > Concatenate datasets tail-to-head

目标： 合并两个文件

操作：

• Concatenate Dataset: Select first on data 1

• Dataset: Select last on data 1

结果：

横向合并两个文件

工具： Text Manipulation > Paste two files side by side

目标： 并排粘贴两个文件

操作：

• Paste: Cut on data 1

• and: Cut on data 1

• Delimit by: TAB

结果：

2. 过滤和排序（Filter and Sort）

根据正则表达式匹配行

工具： Filter and Sort > Select lines that match an expression

目标： 筛选出前面纵向合并的文件中的表头

操作：

• Select lines from: Concatenate datasets on data 4 and data 2

• that: Matching

• the pattern: Test1

结果：

目标： 筛选出前面纵向合并的文件中不是表头的行

操作：

• Select lines from: Concatenate datasets on data 4 and data 2

• that: NOT Matching

• the pattern: Test1

结果：

依据某一列过滤数据

工具： Filter and Sort > Filter data on any column using simple expressions

目标： 筛选第2列（即样本Test1所在列）值大于1的行

操作：

• Filter：heatmap_test.tsv

• With following condition: c2 > 1

• Number of header lines to skip: 1

结果：

排序数据

工具： Filter and Sort > Sort data in ascending or descending order

目标： 根据表达矩阵的第2列，降序排列行

操作：

• Sort Dataset: heatmap_test.tsv

• on column: Column 2

• with flavor: Numerical sort

• everything in: Descending order

• Number of header lines to skip: 1

结果：

3. 连接、提取和分组（Join, Subtract and Group）

依据特定列连接两个数据表

工具： Text Manipulation > Cut columns

目标： 选择文件前3列

操作：

• Cut columns: c1,c2, c3

• From: Select first on data 1

工具： Join, Subtract and Group > Join two Datasets side by side on a specified field

目标： 连接两个数据表

操作：

• Join: Cut on data 2

• using column: Column: 1

• with: heatmap_test.tsv

• and column: Column: 1

结果：

比较两个数据表找出相同或不同的行

工具： Join, Subtract and Group > Compare two Datasets to find common or distinct rows

目标： 查找表1中，某一列的值出现在表2中某一列的行

操作：

• Compare：Select random lines on data 1

• Using column: Column: 1

• against：heatmap_test.tsv

• and column：Column: 1

• To find: Matching rows of 1st dataset

结果：

目标： 查找表1中，某一列的值没有出现在表2中某一列的行

操作：

• Compare：Select random lines on data 1

• Using column: Column: 1

• against：heatmap_test.tsv

• and column：Column: 1

• To find: Non Matching rows of 1st dataset

结果：

因为表1所有的行，都在表2中，因此结果为空。

友情提示

使用问题请加入Galaxy中国交流群: 925694514（QQ群，免费加入），或者关注公众号：简说基因。