145-一个复制粘贴引发的有趣小错误及思考
刘小泽写于19.11.5 这次的推送要感谢小郭（帮我看到了一个非常容易忽视的错误）和花花（帮我处理了一个简单但有用的脚本），又让我有了新的发现
问题是这样滴
我的需求
我想下载SRA 数据，然后需要构建一个配置文件（也就是一列是SRA ID），一列是样本名称。这样做的目的是为了后面使用fastq-dump 进行SRA转fq文件的结果更易懂
# 比如原来的一个sra是SRR391032.sra。如果只使用默认的fastq-dump参数，结果就是
SRR391032.1.fastq.gz
SRR391032.2.fastq.gz
# 但这样的数据多了，我们就分不清哪个数据对应哪个样本，于是需要在转换过程中就将样本名对应到fq文件上
# 例如构建这样一个config，第一列是SRR ID，第二列是sample
# config文件就长这样(举个例子)
SRR391032 WT-1
SRR391033 WT-2
SRR391034 TRT-1
SRR391035 TRT-2
现在找到GEO：https://www.ncbi.nlm.nih.gov//geo/query/acc.cgi?acc=GSE102339
进来就能看到一些sample和GSM的对应信息：
然后去获得SRR和GSM的对应信息：
https://www.ncbi.nlm.nih.gov/Traces/study/?acc=SRP114984
打开之后是这样（其中就包含了SRR和GSM的对应信息）：
想法就是：将这两个文件通过共同的GSM编号对应起来
我的做法
step1：获得GSM与样本信息的对应=》GSM-to-sample.txt
像👇这样：从Samples信息的底部直接复制到顶部，然后粘贴到文本编辑器Sublime中，然后保存为GSM-to-sample.txt
然后读到R中
step2：获得GSM与SRR的对应
也是将之前下载的SraRunTable.txt读到R中
step3：准备找二者的对应关系
————————— 分界线 ——————————-
但就在这时，我在mac上查看了step1的这个文件：GSM-to-sample.txt
less -SN GSM-to-sample.txt
看到是52行，和网站上一致
强迫症地想再次确认一下行数，就出了问题
cat GSM-to-sample.txt| wc -l
# 51
这两个竟然不一样，差了一行！很奇怪，想了很久，复制过来不应该出错，而且less和读到R中都是52行。另外我单独统计了第一列GSM号
cat GSM-to-sample.txt | cut -f1 | wc -l
# 52
小郭~复制粘贴少一行的解答
长期从事Linux工作、具有丰富debug经验、孜孜不断学习的小郭👏一眼看出了问题：
”是不是因为少了一个换行符“
真是一语点醒”梦中人“（其实我不困🤡）
对啊，想起来我复制过来的最后一行好像真的没有换行符，我重新vim编辑了一下这个文件，在最后一行敲了一下回车，然后再删掉最后的空行（这个看似没有任何改变的操作，其实给最后一行加了一个换行符）
然后再次检查：
cat GSM-to-sample.txt| wc -l
# 52
另外，如果是linux环境，还可以通过cat -A检查最后时候具有换行符，会看到：
cat -A GSM-to-sample.txt
”为什么less命令查看就是52行呢？而wc统计就会不识别“
这个就可能是不同的命令识别机制了，
wc -l统计的可能就是换行符（当然我也没有仔细去了解）
那么这个问题应该如何避免呢？
可以直接去到Linux环境，先输入一个cat >GSM-to-sample.txt
然后它会等待你的输入，将复制的结果直接粘贴进来，最后敲一下回车，再ctrl + C 退出，这时的文件也是完整的52行
总而言之，一定要确定最后一行有一个回车的操作，否则很有可能最后一行没有换行符，导致某些统计出错
花花~价值一元钱的脚本
现在有了两个完整的文件，就要进行SRR与样本信息的对应了
我当时在思考上面的复制粘贴问题，为了省事，就花钱”雇“了花花帮我写一个小脚本
脚本是这样的：
rm(list = ls())
x1 =read.csv("~/Downloads/SRA-to-GSM.txt")
> x1[1:4,1:4]
Run Assay.Type AvgSpotLen BioProject
1 SRR6490544 ChIP-Seq 51 PRJNA397448
2 SRR5907429 ChIP-Seq 51 PRJNA397448
3 SRR5907430 ChIP-Seq 51 PRJNA397448
4 SRR5907431 ChIP-Seq 51 PRJNA397448
x2 = read.csv("~/Downloads/GSM-to-sample.txt",sep = "\t",header = F)
> head(x2,3)
GEO_Accession V2
1 GSM2734944 ChIP-Seq_Ez_WT_1
2 GSM2734945 ChIP-Seq_Ez_WT_2
3 GSM2734946 ChIP-Seq_Ez_WT_3
colnames(x2)[1] ="GEO_Accession"
x3 = merge(x2,x1,by = "GEO_Accession")
# 关于merge函数，花花的解释是：”弱肉强食，谁放在前面谁是老大“，于是将x2放在前面就表示在x2的基础上添加x1的内容
> x3[1:4,1:4]
GEO_Accession V2 Run Assay.Type
1 GSM2734944 ChIP-Seq_Ez_WT_1 SRR5907429 ChIP-Seq
2 GSM2734945 ChIP-Seq_Ez_WT_2 SRR5907430 ChIP-Seq
3 GSM2734946 ChIP-Seq_Ez_WT_3 SRR5907431 ChIP-Seq
4 GSM2734947 ChIP-Seq_Pc_WT_1 SRR5907432 ChIP-Seq
config <- data.frame(srr=x3$Run,sample=x3$V2)
> head(config)
srr sample
1 SRR5907429 ChIP-Seq_Ez_WT_1
2 SRR5907430 ChIP-Seq_Ez_WT_2
3 SRR5907431 ChIP-Seq_Ez_WT_3
4 SRR5907432 ChIP-Seq_Pc_WT_1
5 SRR5907433 ChIP-Seq_Pc_WT_2
6 SRR5907434 ChIP-Seq_Ph_WT_1
没想到这里又出现了一个BUG！
之前的GSM和样本对应关系是x1（经上面的一顿操作，确实是52行）；GSM和SRR的对应关系这里竟然只有51行（这个也没错，的确是51行）。那么就说明存在一个样本不存在SRR
到底是哪个在捣乱？找出来！
使用找差集的函数setdiff ，依然符合之前花花说的”弱肉强食“道理，谁放在前面谁是老大
这里的x2要多一行，所以它是老大
> setdiff(x2$GEO_Accession,x1$GEO_Accession)
[1] "GSM4030334"
在GEO官网找到这个GSM4030334：看一下https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSM4030334
结果发现这么一句话：
因此，GEO上即使有GSM号，也不一定有SRR数据，所以做样本信息与SRR对应时，要小心了
