convertir fichier embl en fasta (embl2fasta)

**crazyarno** · 11/12/2008, 17h59

Je débute en bioinformatique et en particulier sur Perl. Je cherche à realiser un script pour transformer des données en format embl en format fasta.

Format embl:

ID AF205856; SV 1; linear; mRNA; STD; HUM; 1911 BP.
XX
AC AF205856;
XX
DT 29-DEC-1999 (Rel. 62, Created)
DT 07-OCT-2008 (Rel. 97, Last updated, Version 3)
XX
DE Homo sapiens potassium ionic channel Kv4.3 short isoform mRNA, complete
DE cds.
XX
KW .
XX
OS Homo sapiens (human)
OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia;
OC Eutheria; Euarchontoglires; Primates; Haplorrhini; Catarrhini; Hominidae;
OC Homo.
XX
RN [1]
RP 1-1911
RA Calmels T.P.G., Faivre J.-F., Javre J.-L., Cheval B., Rouanet S., Bril A.;
RT "Long and Short Human Isoforms of the Kv4.3 Channel: Cloning, Expression,
RT Electrophysiology, Pharmacology and Phosphorylation by Protein Kinase C";
RL Unpublished.
XX
RN [2]
RP 1-1911
RA Calmels T.P.G., Faivre J.-F., Javre J.-L., Bril A.;
RT ;
RL Submitted (17-NOV-1999) to the EMBL/GenBank/DDBJ databases.
RL Cardiovascular Pharmacology, SmithKline Beecham, 4 Rue du Chesnay
RL Beauregard, Saint Gregoire 35760, France
XX
DR ASTD; TRAN00000115283.
DR Ensembl-Gn; ENSG00000171385; Homo_sapiens.
DR Ensembl-Tr; ENST00000302127; Homo_sapiens.
DR Ensembl-Tr; ENST00000315987; Homo_sapiens.
DR Ensembl-Tr; ENST00000369697; Homo_sapiens.
DR H-InvDB; HIT000073868.
DR RFAM; RF00485; K_chan_RES.
XX
FH Key Location/Qualifiers
FH
FT source 1..1911
FT /organism="Homo sapiens"
FT /mol_type="mRNA"
FT /tissue_type="heart"
FT /db_xref="taxon:9606"
FT CDS 1..1911
FT /codon_start=1
FT /product="potassium ionic channel Kv4.3 short isoform"
FT /function="transient outward potassium channel"
FT /note="similar to cardiac ITO1"
FT /db_xref="GOA:Q9UK17"
FT /db_xref="HGNC:6239"
FT /db_xref="InterPro:IPR000210"
FT /db_xref="InterPro:IPR003091"
FT /db_xref="InterPro:IPR003131"
FT /db_xref="InterPro:IPR003968"
FT /db_xref="InterPro:IPR003975"
FT /db_xref="InterPro:IPR004056"
FT /db_xref="InterPro:IPR005821"
FT /db_xref="InterPro:IPR011333"
FT /db_xref="PDB:1S1G"
FT /db_xref="PDB:2NZ0"
FT /db_xref="UniProtKB/Swiss-Prot:Q9UK17"
FT /protein_id="AAF20924.1"
FT /translation="MAAGVAAWLPFARAAAIGWMPVANCPMPLAPADKNKRQDELIVLN
FT VSGRRFQTWRTTLERYPDTLLGSTEKEFFFNEDTKEYFFDRDPEVFRCVLNFYRTGKLH
FT YPRYECISAYDDELAFYGILPEIIGDCCYEEYKDRKRENAERLMDDNDSENNQESMPSL
FT SFRQTMWRAFENPHTSTLALVFYYVTGFFIAVSVITNVVETVPCGTVPGSKELPCGERY
FT SVAFFCLDTACVMIFTVEYLLRLFAAPSRYRFIRSVMSIIDVVAIMPYYIGLVMTNNED
FT VSGAFVTLRVFRVFRIFKFSRHSQGLRILGYTLKSCASELGFLLFSLTMAIIIFATVMF
FT YAEKGSSASKFTSIPASFWYTIVTMTTLGYGDMVPKTIAGKIFGSICSLSGVLVIALPV
FT PVIVSNFSRIYHQNQRADKRRAQKKARLARIRVAKTGSSNAYLHSKRNGLLNEALELTG
FT TPEEEHMGKTTSLIESQHHHLLHCLEKTTNHEFIDEQMFEQNCMESSMQNYPSTRSPSL
FT SSHPGLTTTCCSRRSKKTTHLPNSNLPATRLRSMQELSTIHIQGSEQPSLTTSRSSLNL
FT KADDGLRPNCKTSQITTAIISIPTPPALTPEGESRPPPASPGPNTNIPSIASNVVKVSA
FT L"
XX
SQ Sequence 1911 BP; 416 A; 632 C; 499 G; 364 T; 0 other;
atggcggcag gagttgcagc ctggctgcct tttgcccggg ctgcggccat cgggtggatg 60
ccggtggcca actgccccat gcccctggcc ccggccgaca agaacaagcg gcaggatgag 120
ctgattgtcc tcaacgtgag tgggcggagg ttccagacct ggaggaccac gctggagcgc 180
tacccggaca ccctgctggg cagcacggag aaggagttct tcttcaacga ggacaccaag 240
gagtacttct tcgaccggga ccccgaggtg ttccgctgcg tgctcaactt ctaccgcacg 300
gggaagctgc actacccgcg ctacgagtgc atctctgcct acgacgacga gctggccttc 360
tacggcatcc tcccggagat catcggggac tgctgctacg aggagtacaa ggaccgcaag 420
agggagaacg ccgagcggct catggacgac aacgactcgg agaacaacca ggagtccatg 480
ccctcgctca gcttccgcca gaccatgtgg cgggccttcg agaaccccca caccagcacg 540
ctggccctgg tcttctacta cgtgactggc ttcttcatcg ctgtctcggt catcaccaac 600
gtggtggaga cggtgccgtg cggcacggtc ccgggcagca aggagctgcc gtgcggggag 660
cgctactcgg tggccttctt ctgcctggac acggcgtgcg tcatgatctt caccgtggag 720
tacctcctgc ggctcttcgc ggctcccagc cgctaccgct tcatccgcag cgtcatgagc 780
atcatcgacg tggtggccat catgccctac tacatcggtc tggtcatgac caacaacgag 840
gacgtgtccg gcgccttcgt cacgctccgg gtcttccgcg tcttcaggat cttcaagttt 900
tcccgccact cccagggcct gcggatcctg ggctacacac tgaagagctg tgcctccgaa 960
ctgggctttc ttctcttctc cctcaccatg gccatcatca tctttgccac tgtgatgttt 1020
tatgccgaga agggctcctc ggccagcaag ttcacaagca tccctgcctc gttttggtac 1080
accattgtca ccatgaccac actgggatac ggagacatgg tgcctaagac gattgcaggg 1140
aagatcttcg gctccatctg ctccttgagt ggcgtcctgg tcattgccct gccagtccct 1200
gtgattgttt ccaactttag ccggatttac caccagaatc agagagctga taaacgcagg 1260
gcacaaaaga aggcccgcct tgccaggatc cgtgtggcca aaacaggcag ttcgaatgca 1320
tacctgcaca gcaagcgcaa cgggctcctc aacgaggcgc tggagctgac gggcacccca 1380
gaagaggagc acatgggcaa gaccacctca ctcatcgaga gccagcatca tcacctgctg 1440
cactgcctgg aaaaaaccac taaccacgag tttattgatg agcagatgtt tgagcagaac 1500
tgcatggaga gttcaatgca gaactaccca tccacaagaa gtccctcact gtccagccac 1560
ccaggcctca ctaccacctg ctgctcccgt cgtagtaaga agaccacaca cctgcccaat 1620
tctaacctgc cagctactcg cctgcgcagc atgcaagagc tcagcacgat ccacatccag 1680
ggcagtgagc agccctccct cacaaccagt cgctccagcc ttaatttgaa agcagacgac 1740
ggactgagac caaactgcaa aacatcccag atcaccacag ccatcatcag catccccact 1800
cccccagcgc taaccccaga gggggaaagt cggccacccc ctgccagccc aggccccaac 1860
acgaacattc cttccatagc cagcaatgtt gtcaaggtct ccgccttgta a 1911
//

Format fasta:

>AY232553.1/1231-1344
GUGGGGUACGGAGACAUGC.GUCCCGUGGGAGUGUGGGGUAAGAUUGUGGGCUCAU.UAU
GUGCUAUCGCAGGCGUGCUAACAAUAGCGCUUCCGGUUCCAGUGAUAGUUUCUAAU

J'ai dejà réaliser une partie de mon script, mais ça coince losque je veux éditer ma séquence (SQ). Je pense que j'ai du me tromper qq part au niveau de ma Regex mais j'arrive pas à trouver. Si qq1 avait un avis.

Voila mon script:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
#!/usr/bin/perl
 
 
use warnings;
use strict;
 
while (<>) {
 
 
	my $title = "";
	my $sequence = "";
        my $file = $_;
 
 
	if ($file =~ m/^AC\s+(\S+);/m) { 
                 my $id = $1 ; 
		print ( ">$id, ");
 
	}
 
		if ($file =~ m/^DE\s\s\s([^\n]+)/mg) {
		    $title = $1;
		 print "$title \n";
		}
 
		if ($file =~ m/^SQ\s\s\s[^\n]+\n([^\/])\/\//m) {
		    my $sequence = $1;
		    $sequence =~ s/[^A-Za-z]//g;
		    print "$sequence \n";
		}
 
         }

Merci d'avance.

**MaliciaR** · 11/12/2008, 18h31

Salut,

Tu veux garder seulement la séquence fasta, c'est ça?

Pourrais-tu penser aux balises CODE (la touche dièze quand tu rédiges un message) quand tu postes du code?

**crazyarno** · 11/12/2008, 20h25

oui, c'est tout a fait ça

**crazyarno** · 12/12/2008, 00h26

Donc voila ce que j'ai fais jusqu'à present:

Le problème qu'il me reste à résoudre est de mettre toute la sequence sur la meme ligne, c'est à dire enlever les espaces.

Si vous avez des idées.

**djibril** · 12/12/2008, 11h44

Veuillez utilisez les balises codes autour de votre code pour la lisibilité du forum.
Pour faire cela, sélectionner votre code et cliquez sur #.
De même si vous affichez un long fichier, utilisez les balises quote.

Merci

**Jasmine80** · 12/12/2008, 15h34

Essaie avec le module Bio-seqIO qui est prévu pour cela avant d'écrire ton propre code.
http://search.cpan.org/~birney/bioperl-1.4/Bio/SeqIO.pm

The Bio::SeqIO system can be thought of like biological file handles. They are attached to filehandles with smart formatting rules (eg, genbank format, or EMBL format, or binary trace file format) and can either read or write sequence objects (Bio::Seq objects, or more correctly, Bio::SeqI implementing objects, of which Bio::Seq is one such object).

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
    use Bio::SeqIO;
 
    $in  = Bio::SeqIO->new(-file => "inputfilename" , '-format' => 'EMBL');
    $out = Bio::SeqIO->new(-file => ">outputfilename" , '-format' => 'Fasta');
 
    while ( my $seq = $in->next_seq() ) {
        $out->write_seq($seq);
    }

**Jasmine80** · 12/12/2008, 17h11

Sinon, tu peux aussi directement récupérer les informations de Genbank sans passer par des fichiers.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#!/usr/bin/perl
 
 
use warnings;
use strict;
 
 
use Bio::DB::GenBank;
 
 
my $gb = new Bio::DB::GenBank;
my  $seq = $gb->get_Seq_by_acc('AF205856'); # Accession Number
 
print '>'.$seq->accession."\n";
print $seq->desc."\n";
print $seq->seq."\n";

**Jasmine80** · 12/12/2008, 17h33

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
#!/usr/bin/perl
 
 
 
use warnings;
use strict;
 
 
my $seq = 0;
my $sequence;
 
 
open FILE, "/infile.txt" or die $!;
while (my $line =<FILE>) {
 
 
	if ($line =~ m/^AC\s+(\S+);/m) { 
                 my $id = $1 ; 
		print ( ">$id, ");
 
	}
 
        elsif ($line =~ m/^DE\s+([^\n]+)/mg) {
            my $title = $1;
             print "$title \n";
        }
 
        # quand on arrive à la séquence on met $seq à 1
        # afin de récupérer les lignes suivantes
        elsif ($line =~ m/^SQ/) {
            $seq = 1;
        }
 
        # si $seq est à 1, cela signifie que nous sommes dans la séquence
        # donc on récupère la ligne dans la variable $sequence
        elsif ( ($seq) && ($line =~ /([\sa-z]+)\d+/)){
            $sequence .= $1; 
        }
 
}  
 
close FILE;
 
 
# suppression des espaces
$sequence =~ s/\s//g;
 
print $sequence."\n";

Pour ce qui est de ton script, utilise des elsif au lieu de if.
Pour ce qui est de récupérer les lignes suivant celle contenant le motif SQ, ce que je fais, c'est que je crée la variable $seq que je mets à 1 dès que je rencontre ce motif. Quand $seq est à 1, je récupère les séquences des lignes suivantes. Remarque que $sequence est crée avant la lecture du fichier.

Ceci est juste pour information car je pense qu'il est préférable d'utiliser un module existant. Je n'ai jamais utilisé Bio::SeqIO sur des fichier EMBL mais sur des fichiers fasta, il fonctionne très bien.

**crazyarno** · 13/12/2008, 19h33

Merci beaucoup pour votre aide

**shadow19c** · 26/09/2010, 11h02

Bonjour moi je dois faire en python sans utiliser bio seq je voulais savoir si il fallait d'abord tout parser et mettre dans une liste ensuite recher dans la liste la sequence ou bien y a t-il un moyen plus simple??
merci

**-SKUD-** · 01/03/2011, 13h20

Si tu te prends la tête avec perl pour faire ça, j'imagine que tu es sous Windows ?

Sur Linux il existe une suite logicielle extrêmement complète pour tout ce qui est bioinformatique (ça tombe bien c'est le sujet de ce sous-forum lol) : EMBOSS (http://emboss.sourceforge.net/download/).

Parmi les près de 300 programmes proposés, existe "seqret".

l'utilisation est très simple :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

seqret embl::my_input_embl fasta::my_output_fasta

c'est fini.

convertir fichier embl en fasta (embl2fasta)

Bioinformatique Perl

Discussions similaires

Partager

Partager