Sorting 合并第二列时对第一列排序

我正在寻找以下问题的解决方案。我有一个文本文件，第一列是geneIDs，第二列是GOterms。因为每个基因都有多个带注释的GOTERM，所以相同的GENEID确实会出现多次（第二列中有不同的GOTERM。我只希望合并具有GOTERM的唯一GENEID： 我有：

我想：

TRINITY_DN10151_c0_g1 GO:0004175-GO:0004252-GO:0006508-GO:0008233
TRINITY_DN102626_c42_g1 GO:0005198-GO:0042302

等等

此外，重要的是（我真的不知道如何解决这个问题）每个GO-term组合出现一次。因此，如果两个基因在第2列中具有相同的GO-term组合（A、B和C），那么它们都应该具有A-B-C，而不是A-C-B

我曾尝试使用sort和uniq，但最终我只是删除了行

---

有人能帮我一个unix解决方案吗？

你可以用一个相当隐晦的

sed

命令来完成。（每个

sed

命令都是琐碎或隐晦的。）

粗略地翻译，这表示“在这一行后面加上下一行，用连字符替换换行符和第二个基因名，只要两个基因名相同”

---

排序

是为了在基因间保持GOterm顺序的一致性。

我注意到我的文本格式已更改。因此，在我的每一行文件中，我现在有一个单独的基因ID和一个GO术语：TRINITY_DN10151_c0_g1 GO:0004175，但我希望合并所有具有类似基因ID的GOterm。只有一个GOterm组合o类似GOterm组合的顺序。c58发生了什么事？

c58

？您正在删除没有与任何其他输入行组合的输入行吗？这似乎还不起作用。我得到的输出与我只使用“sort Filename”得到的输出完全相同。如何将GO术语组合成子组（如上所述）？@T\R：我最好的猜测是这是一个空格问题。我假设这些是输入文件中的空格；如果它们是制表符或两者的组合，则该命令可能无法工作。请尝试

sed'N；s/\N[^]*/-/'

并报告结果（在此处，以注释的形式）。

TRINITY_DN10151_c0_g1 GO:0004175-GO:0004252-GO:0006508-GO:0008233
TRINITY_DN102626_c42_g1 GO:0005198-GO:0042302

sort filename | sed -e :a -e '$!N;s/^\([^ ]* \) *\(.*\)\n\1 */\1\2-/;ta' -e 'P;D'