Även om du inte nämner det, antar jag att du använder sängverktyg v2.26.0. Version 2.26.0 av groupBy innehåller en bugg som du har stött på (den åtgärdades strax efter utgivningen, så du måste antingen använda en version innan felet introducerades eller kompilera den aktuella källkoden själv från https://github.com/arq5x/bedtools2)

v2.26.0:

  local10: ~ / Documents / tmp $ cat asdf. säng I 3746 3909 WBGene00023193. -I 3746 3909 WBGene00023193. -I 4118 4220 WBGene00022277. -I 4118 4358 WBGene00022277. -I 4118 10230 WBGene00022277. -I 4220 4223 WBGene00022277. -local10: ~ / Documents / tmp $ groupBy -i asdf.bed -g 4 -c 2,3 -o min, max 3746 10230 

v2.26.0-125-g52db654 (IE sammanställa källkoden från github):

  local10: ~ / Documents / tmp $ bedtools2 / bin / groupBy -i asdf.bed -g 4 -c 2,3 -o min, maxWBGene00023193 3746 3909WBGene00022277 4118 10230  

För att svara på dina frågor:

1) Du kanske märker att min utdata ovan ger de grupperade kolumnerna först; du måste omorganisera utdata via awk för att få tillbaka den i ordning. När det gäller varför de valde att gruppera i båda kolumnerna 1 och 4: om du har samma namn på flera kromosomer kanske du vill behandla dem som separata funktioner.

2) Versionsskillnader, som anges i första delen av mitt svar.

För att faktiskt slå samman filen:

Se till att köra den med en annan version än v2.26.0 (som Devon Ryan skriver i kommentarerna, kanske du vill lägga till kolumn 6 till -g för att göra den strängspecifik):

  ./bedtools2/bin/groupBy -i asdf.bed -g 1,4 -c 2 , 3,5,6 -o min, max, första, första \ | awk -v OFS = '\ t' '{skriv ut $ 1, $ 3, $ 4, $ 2, $ 5, $ 6}' I 3746 3909 WBGene00023193. -I 4118 10230 WBGene00022277. -  

Du kan göra det med verktyget CGAT :

cgat bed2bed --method = merge --merge-by-name -Jag bed_with_gene_ids.bed

Att installera ett sådant massivt paket kan dock vara överdrivet för den här uppgiften.

Du kan göra det enkelt med Hail. Hail använder främst BED-filer för att kommentera genetiska datamängder (se det senaste annotate_variants_table -exemplet), men du kan manipulera BED-filer med hjälp av Hails allmänna möjligheter för att manipulera avgränsade textfiler. Till exempel:

  $ cat genes.bedI 3746 3909 "WBGene00023193". -I 3746 3909 "WBGene00023193". -I 4118 4220 "WBGene00022277". -I 4118 4358 "WBGene00022277". -I 4118 10230 "WBGene00022277". -I 4220 4223 "WBGene00022277". -  

Hail-skriptet (pythonkod):

  från hagelimport * hc = HailContext () (hc .import_table ('genes.bed', impute = True, no_header = True) .aggregate_by_key ('f0 = f0, f3 = f3', 'f1 = f1.min (), f2 = f2.max (), f4 = ".", f5 = "-"' ) .select (['f0', 'f1', 'f2', 'f3', 'f4', 'f5']) .export ('genes_merged.bed', header = False))  

Resultatet:

  $ cat genes_merged.bed I 3746 3909 WBGene00023193. -I 4118 10230 WBGene00022277. -  

Jag aggregerar över krom och namn så att den här lösningen inte slår samman poster på olika kromosomer. välj är nödvändigt för att ordna om fälten eftersom aggregat_by_key placerar nycklarna som aggregeras först.

Upplysning: Jag jobbar med Hail.

  $ cut -f4-6 in.bed | sed's / \ t / _ / g '| sortera | uniq | awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --merge -"); skriva ut $ 0; } '| klistra in -d "\ t" - - | sed's / _ / \ t / g '| sort-bed - > answer.bed  

Givet din provingång:

  $ mer in.bedI 3746 3909 "WBGene00023193". -I 3746 3909 "WBGene00023193". -I 4118 4220 "WBGene00022277". -I 4118 4358 "WBGene00022277". -I 4118 10230 "WBGene00022277". -I 4220 4223 "WBGene00022277". -  

answer.bed -filen:

  $ more answer.bedI 3746 3909 "WBGene00023193". -I 4118 10230 "WBGene00022277". -  

Sortering med sort-säng är användbart i slutet, så att du kan pipa det eller arbeta med det med andra BEDOPS-verktyg eller andra verktyg som nu acceptera sorterad BED-ingång.

Streaming är i allmänhet ett ganska effektivt sätt att göra saker.

Så här fungerar

Här är rörledningen igen:

  $ cut -f4-6 in.bed | sed's / \ t / _ / g '| sortera | uniq | awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --merge -"); skriva ut $ 0; } '| klistra in -d "\ t" - - | sed's / _ / \ t / g '| sort-bed - > answer.bed  

Vi börjar med att klippa kolumnerna 4 till 6 (id, poäng och sträng), ersätta flikar med understrykningar, sortera och ta bort dubbletter:

  klipp -f4-6 in.bädd | sed's / \ t / _ / g '| sortera | uniq  

Vad vi får ut av detta är en sorterad lista med "nålar" - en för varje kombination av ID-poäng-sträng: en ID-nål - som vi kan använda för att grep eller filtrera den ursprungliga BED-filen.

Den här listan skickas till awk som för varje ID-nål kör grep mot den ursprungliga BED-filen och rör undermängden till bedops --merge - , som sammanfogar överlappande intervall.

Observera att sammanslagning endast fungerar för överlappande intervall. Sammanfogning är inte nödvändigtvis detsamma som att returnera ett min-max-par, och denna pipeline kommer att brytas om det finns intervall som inte överlappar varandra. Men du kan ändra uttalandet awk till bearbeta inmatningsintervallen och returnera minsta och maximala intervallkoordinater, om det verkligen är vad du vill, genom att spåra min- och maxvärdena över alla intervall som kommer in i awk och skriva ut ett slutintervall med END -block.

Kommandot system skriver ut det sammanslagna intervallet på en rad. Följande utskrift $ 0 uttalande skriver ut nålen på nästa rad:

  awk -F'_ '' {system ("grep" $ 1 "in.bed | bedops --sammanfoga - "); skriva ut $ 0; } ' 

Vi tar varje par alternerande linjer och linjäriserar dem igen med klistra in . Resultatet innehåller nu fyra kolumner: de tre kolumnerna för varje sammanslaget intervall och ID-nålen.

Vi använder sedan sed för att ersätta understrykningar med flikar, så att vi förvandlar ID-nålen tillbaka till tre, flikavgränsade ID-poängsträngkolumner:

  klistra in -d "\ t" - - | sed's / _ / \ t / g ' 

Utgången är nu en BED-fil med sex kolumner, men den ordnas efter den sorteringsordning vi använde på ID-nålar längre upp i pipeline, som vi inte vill ha. Vad vi verkligen vill ha är BED som sorteras per BEDOPS sorteringsbädd , så att vi kan göra fler inställda operationer och få ett korrekt resultat. Så vi rör detta till sort-bed - för att skriva en sorterad fil till answer.bed:

  sort-bed - > svar. säng  

Om du är 100% säker på att allt utom start- och slutpositionerna kommer att vara desamma för alla rader som delar ett namn, kan du bara göra det själv. Till exempel, i Perl:

  $ perl -fält '$ start {$ F [3]} || = $ F [1]; if ($ F [1] < $ start {$ F [3]}) {$ start {$ F [3]} = $ F [1]} if ($ F [2] > $ end {$ F [3 ]}) {$ end {$ F [3]} = $ F [2]} $ chr {$ F [3]} = $ F [0]; $ rest {$ F [3]} = gå med i "\ t", @F [4, $ # F]; SLUT {foreach $ n (key% chr) {print "$ chr {$ n} \ t $ start {$ n} \ t $ end {$ n} \ t $ n \ t $ rest {$ n}"}} 'file.bed I 3746 3909 "WBGene00023193". -I 4118 10230 "WBGene00022277". -