具有不同文件名的多个目录上的 glob_wildcards

Question

我正在尝试编写一个规则，该规则从不同的目录获取两个文件，并将规则的输出放入同一目录中，如下面的文件结构所示：

DIR_A 
    dir1    
        file1.clean.vcf  
    dir2  
        file2.clean.vcf  
    dir3
        file1.output.vcf
        file2.output.vcf

到目前为止，我已经尝试使用 glob_wildcards：

(DIR,NAME) = glob_wildcards("DIR_A/{dir}/{name}.clean.vcf") 
input: expand("DIR_A/{dir}/{name}.clean.vcf", dir=DIR, name=NAME)
output: "DIR_A/dir3/{name}.output.vcf

但它会抛出一个错误：

MissingInputException in line 80 of DIR_A:
Missing input files for rule convert_output:

DIR_A/dir1/file2.clean.vcf
DIR_A/dir2/file1.clean.vcf

将 zip 添加到输入：

input: expand("DIR_A/{dir}/{name}.clean.vcf", zip, dir=DIR, name=NAME)

if $ Snakemake -s Snakefile -n （试运行）：

rule conv_output:
input: DIR_A/dir1/file1.clean.vcf, DIR_A/file2/file2.clean.vcf

这被snakemake接受并防止上述错误，但现在 file1.clean.vcf 和 file2.clean.vcf 都是规则的输入，但 {name} 通配符使规则每个文件运行一次。这最终会导致多个文件到一个文件，而不是我正在寻找的一对一文件。

有没有办法进行设置，以便我可以获取规则 conv_output 的输出来作用于每个文件，然后将输出放入 dir3 中？任何帮助将不胜感激！！

Answer 1

使用python，将输入vcf样本/文件名与其路径配对，然后使用它来指定snakemake规则中的输入路径。下面的示例适用于问题中给出的目录结构。

from pathlib import Path   

def pair_name_to_infiles():
    # get all *.clean.vcf files recursively under DIR_A
    vcf_path = Path('DIR_A').glob('**/*.clean.vcf')

    # pair vcf name to infile path using a dictionary
    vcf_infiles_dict = {}
    for f in vcf_path:
        vcf_name = f.name.replace('.clean.vcf', '')
        vcf_infiles_dict[vcf_name] = str(f)

    return vcf_infiles_dict


# using function written in python code, map vcf name to their infile path
vcf_infiles_dict = pair_name_to_infiles()


rule all:
    input:
        expand('DIR_A/dir3/{vcf_name}.output.vcf', vcf_name=vcf_infiles_dict.keys())


rule foo:
    input:
        lambda wildcards: vcf_infiles_dict[wildcards.vcf_name]
    output:
        'DIR_A/dir3/{vcf_name}.output.vcf'
    shell:
        'touch {output}'