生信（一）对BED文件进行排序

关键词：bed; sort; cmp; key; alpha-numeric

问题

在处理NGS数据时，经常要对BED文件进行排序。假设BED文件长这样，分隔符是’\t’：

我们想按照如下规则进行排序：

1. 第一列按照染色体编号进行排序，排序后应该是chr1,chr2, chr4, chr5, chr10, chr20, chrX。
2. 第二列和第三列按照数字序进行排序。

第一个子问题

首先，我们先来看看如何对第二列进行排序。

刚接触GNU sort命令的同学可能都写出过类似下面的命令：

并且期待结果会是

但是实际上的结果是

为什么？这是因为sort默认按照字典排序规则对字符串进行排序。比如，字符串”10”的第一个字母是”1”，比字符串”2”的第一个字母”2”小，所以字符串”10”小于字符串”2”。我们要想按照数值大小进行排序，正确的做法是要给sort加上”-n”选项。

这样就会得到预期的结果了。

第二个子问题

如何对染色体编号进行排序呢？用上面的”-n”选项可以吗？

如果我们给出这样的命令：

答案会是：

很显然这个结果是不对的。虽然加了”-n”选项，但是由于染色体编号都是”chr”开头的，所以sort命令仍然将”chr”后面的数字视作字符串，按照字典排序规则进行排序。

正确的做法是使用”-V”选项。

得到正确答案：

最初的问题

有了两个子问题的答案，让我们回到文章开始的问题：如何对BED文件进行排序？我们给出如下命令：

其中-k选项是指定第几列。

这样的话文章开头提到的那个BED示例文件经过排序后就会变成

这样问题就得到了圆满解决！

Python版本

这里我们也分享一种Python对BED文件进行排序的方法。简单起见，假设我们只对BED文件的第一列（染色体编号）进行排序。代码如下：

上面的代码其实只是利用了Python中的sorted函数，该函数原型是：

其中：

并且值得注意的是，上面的代码使用了x.partition(‘\t’)而非x.split(‘\t’)。当只需要解析字符串的第一个“字段”的时候，partition()函数的效率比split()的效率高，因为它不会解析剩余的“字段”。

如果有任何问题欢迎交流！