Maneira mais simples de extrair uma parte de uma string?

Supondo que este seja o 9º campo delimitado por tabulação de um arquivo GFF (o campo "atributos"), você pode extrair o valor do geneatributo correspondente a um IDatributo específico (lido de um arquivo separado) assim com awk:

BEGIN { FS = "\t" }

FNR == NR {
    # Read IDs into a hash as keys.
    ids[$1] = 1
    next
}

$3 == "gene" {
    # Split the attribute field into separate key-value pairs.
    n = split($9, keyvalues, ";")

    id = ""    # Not found a gene ID yet
    gene = ""  # No gene name to print

    # Loop over the key-value pairs, split them on the "="
    # and extract the gene name and gene ID.
    for (i = 1; i <= n; ++i) {
        split(keyvalues[i], attr, "=")
        if (attr[1] == "ID") {
            if (attr[2] in ids)
                id = attr[2]
            else
                next  # This line is not of interest
        }
        else if (attr[1] == "gene")
            gene = attr[2]
    }

    if (id != "" && gene != "")
        print gene
}

Executando isso em um arquivo GFF chamado file.gffcontendo os dados fornecidos na coluna 9 e com a lista de ID do gene em id.list:

$ awk -f script.awk id.list file.gff
LOC108565285
LOC108569527

A lista de IDs de genes é lida a partir do primeiro arquivo no FNR == NRbloco no awkcódigo, enquanto o último bloco está processando o campo de atributo de linhas de recurso de gene (somente) no segundo (e todos os posteriores) arquivos fornecidos na linha de comando.

O awkcódigo assume que os atributos IDe genedo arquivo GFF contém apenas um único valor (não uma lista de valores delimitada por vírgulas) e que os valores não são citados.

Para obter a saída como uma lista de nomes de genes e IDs de genes (duas colunas), altere a print geneinstrução para print id, gene.

Isso precisa de refatoração, mas deve fazer o que você deseja:

while IFS=; read -r line; do grep -Fw "$line" biffile.txt; done < other_file | awk -F';' '{split($3,a,"=");print a[2]}'

Eu usaria uma abordagem um pouco diferente. Primeiro, extraia apenas os campos ID e Nome:

$ sed -nE 's/.*ID=([^;]*).*Name=([^;]*).*/\1 \2/p' file1
gene27 LOC108565285
gene28 LOC108569527
gene78 LOC108562956

Em seguida, filtre isso usando a lista de IDs de destino:

$ cat file2
gene27
gene28
$ sed -nE 's/.*ID=([^;]*).*Name=([^;]*).*/\1 \2/p' file1 | grep -wf file2 
gene27 LOC108565285
gene28 LOC108569527

Ou, se você quiser apenas o LOC....valor, e supondo que tenha GNU grep:

$ grep -wf file2 file1 | grep -oP 'Name=\K[^;]+'
LOC108565285
LOC108569527

Seguro. Simples. Curto.

O nome bigfile.txtsugere que não queremos fazer grep várias vezes por ele, mas fazê-lo de uma só vez. Então eu prefiro uma tentativa como @Kusalananda: colete todos os IDs de genes para extrair e depois escanear uma vez pelo arquivo bigfile. Para tal tarefa eu prefiro sed, já que você não precisa lidar com programação como variáveis, arrays e loops, apenas deixe a ferramenta fazer o trabalho:

sed '/^gene[0-9]*$/{s/$/;/;H;d;};G;/ID=\(gene[0-9]*;\).*\n\1/!d;s/.*gene=\(LOC[0-9]*\);.*/\1/' genelist.txt bigfile.txt

E aqui está a explicação:

• /^gene[0-9]*$/é um padrão para selecionar linhas da lista: apenas genecom um número
• {s/$/;/;H;d;}é executado apenas para as linhas acima: s/$/;/anexa a ;, Hanexa esta linha modificada ao espaço de espera e dinterrompe o processamento adicional e exclui a linha
• Neste ponto do script, sabemos que estamos no bigfile.txte o espaço de espera é preenchido com todos os geneIDs. Agora Ganexa esta lista ao espaço padrão
• O padrão /ID=\(gene[0-9]*;\).*\n\1/seleciona linhas onde o ID gene[0-9]*é repetido ( \1refere-se à string dentro do primeiro par de \(\)) após uma nova linha, portanto, um ID que está presente na lista
• !dinverte a seleção e exclui, todas as linhas sem correspondência são excluídas
• Agora, para todas as linhas com correspondência, extraia o genecampo:s/.*gene=\(LOC[0-9]*\);.*/\1/

Feito pelo script simples abaixo

comando

for i in `cat file2`; do awk -v i="$i" -F ";" '$1=="ID="i{print $5}' file1| awk -F  "=" '{print $NF}'; done

resultado

LOC108565285
LOC108569527

Tente isso

grep "ID=gene[0-9]" bigfile.txt |  sed 's/\;/ /g' | awk '{print $3}' | sed 's/Name=//g'

Tente isso,

    grep "ID=$pattern;" file | grep -o 'Name=[^;]*' | sed 's/Name=//g';

• grep -o 'Name=[^;]*'com grep o padrão começa com "Name=" e termina imediatamente ";"
• sed 's/Name=//g';basta remover o padrão que não é necessário conforme sua exigência.