当第二个文件列包含逗号时，使用awk将一个文件的列与另一个文件的列匹配

Question

我有两个文件 - 一个是包含基因变体的大文件，多个列由制表符分隔。含有该基因的名称列可以包含一个名称，或由逗号分隔的多个名称（例如，在基因名称是SAMD11和NOC2L）：

1 874816 874816 - T rs200996316 SAMD11 exonic ENSG00000187634 frameshift insertion 
1 878331 878331 C T rs148327885 SAMD11 exonic ENSG00000187634 nonsynonymous SNV 
1 879676 879676 G A rs6605067 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 
1 879687 879687 T C rs2839 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 
1 881918 881918 G A rs35471880 NOC2L exonic ENSG00000188976 nonsynonymous SNV 
1 888659 888659 T C rs3748597 NOC2L exonic ENSG00000188976 nonsynonymous SNV 

第二个文件是基因名称的单个列列表，如这个：

EVC2 
SAMD11 
COMT 

我想匹配第二个文件中的基因名称与第一个文件中的基因名称。我目前使用的AWK：

awk -F $'\t' 'BEGIN { while(getline <"secondfile.txt") gene[$0]=1; } gene[$7]' firstfile.txt > newfile.txt 

然而，这仅仅打印精确匹配，从而不打印与NOC2L，SAMD11行。从上面的例子中，预期产出将是第一个文件的前四行：

1 874816 874816 - T rs200996316 SAMD11 exonic ENSG00000187634 frameshift insertion 
1 878331 878331 C T rs148327885 SAMD11 exonic ENSG00000187634 nonsynonymous SNV 
1 879676 879676 G A rs6605067 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 
1 879687 879687 T C rs2839 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 

我想它还是做精确匹配，因为一些基因的名字可以是相似的 - 例如，有可能是一个基因称为SAMD1，如果我做了模糊匹配，那么我会得到SAMD1，SAMD11等。所以我需要一些确实匹配的东西，但忽略基因名称列中的逗号，或将其视为字段分隔符或类似字符。

在此先感谢。

Answer 1

$ cat tst.awk 
NR==FNR { genes[$0]; next } 
{ 
    split($7,a,/,/) 
    for (i in a) { 
     if (a[i] in genes) { 
      print 
      next 
     } 
    } 
} 

$ awk -f tst.awk secondfile.txt firstfile.txt 
1 874816 874816 - T rs200996316 SAMD11 exonic ENSG00000187634 frameshift insertion 
1 878331 878331 C T rs148327885 SAMD11 exonic ENSG00000187634 nonsynonymous SNV 
1 879676 879676 G A rs6605067 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 
1 879687 879687 T C rs2839 NOC2L,SAMD11 UTR3 ENSG00000187634,ENSG00000188976 

这也将工作：

$ cat tst.awk 
NR==FNR { genes[$0]; next } 
{ 
    for (gene in genes) { 
     if ($7 ~ "(^|,)"gene"(,|$)") { 
      print 
      next 
     } 
    } 
}