我有两个文件genelist.txt和data.txt. genelist.txt仅包含约 500 个基因名称的单列，而data.txt包含约 1000 列（样本）和约 30,000 行（基因名称）的制表符分隔文件。的一般方案data.txt概述如下。
Sample 1 Sample 2 Sample 3 Sample 4
Gene A 1.04 1.81 1.92 0.45
Gene B 1.11 1.12 1.32 0.92
Gene C 0.72 0.71 0.85 1.12
Gene D 1.19 1.42 0.13 0.32
我需要从data.txt包含约 500 个基因名称中的每一个中提取每一行（整行，即所有样本），genelist.txt并将这些行提取到一个单独的文件中。有人告诉我使用 grep 或 awk 并研究了如何做到这一点，但是作为一个简单的生物学家，几乎没有/没有编码经验，我遇到了一些麻烦。是否有人可以解释这是如何完成的，并希望为我提供一些代码以开始工作。
如果提取仅返回与genelist.txt. 举例来说，如果我有ABC123但不ABC1234中genelist.txt，我想只有ABC123被提取，而不是ABC1234。
此外，完成此操作后，我将如何检查我的哪些基因genelist.txt未包含在提取中？（即某些基因可能命名不正确，因此我必须返回并使用其替代和/或正确名称重新提取它们）。
cas*_*cas 11
要从 中data.txt列出的基因中提取行genelist.txt：
grep -w -F -f genelist.txt data.txt > newdata.txt
grep 使用的选项：
-w告诉grep只匹配整个单词（即ABC123不会也匹配ABC1234）。-F 搜索固定字符串（纯文本）而不是正则表达式-f genelist.txt 从文件中读取搜索模式如果您还需要标题（示例 1、示例 2 等）行：
grep -w -F -f genelist.txt -e Sample data.txt > newdata.txt
-e Sample 也搜索“样品”要查找genelist.txt不在的行newdata.txt：
grep -v -w -F -f <(sed -E -e 's/(\t| +).*//' newdata.txt) genelist.txt
-v 反转搜索，打印不匹配的行。的grep的选项的其余部分是相同的，但不是使用同一个文件-f的选项，它使用一种叫进程替换（见也），它允许你在一个地方实际文件的使用的命令。命令创建的任何输出都被视为“文件”的内容。
在这种情况下，我们使用命令sed -E -e 's/(\t| +).*//' newdata.txt，它在首先删除第一个 TAB 字符或它看到的第一对空格中的所有内容后输出 newdata.txt 的每一行。换句话说，第一个字段（例如“基因 A”）。我不得不使用 TAB 或双空格，因为 a) 我不确定您的数据是空格分隔还是 TAB 分隔，并且 b) 示例中的第一个字段包含空格。
sed 使用的选项：
-E使用扩展的正则表达式，因此我们可以使用普通的(, ), 和+比必须使用\as \(, \),转义它们更具可读性\+。-e 's/(\t| +).*//' 指定要应用于输入的 sed 脚本 (newdata.txt)在您的示例上运行该命令data.txt将产生以下输出：
$ sed -E -e 's/(\t| +).*//' data.txt
Gene A
Gene B
Gene C
Gene D
无论如何，该sed命令的输出用作该命令的搜索模式列表grep。