Debutant en Perl.Probleme de programmation

**guihzmo** · 04/11/2008, 13h40

Bonjour, pour mon travail un programmeur m'a fait ce petit programme en Perl le pb est que le pg ne fait pas reellement ce que je veux.Vu que je suis debutant c'est tres complique de le modifier pour reparer l'erreur.
Ce que je voudrais c'est extraire des donnees d'une database qui se decompose de la maniere suivante:
1/Informations sur la sequence
2/Localisation des differentes parties de la sequence
3/Sequence a proprement parle.

Ce que je souhaite,c'est extraire une partie de l'info pour connaitre d'ou provient la sequence,de prendre chaque partie de la sequence a part et ensuite de prendre la sequence complete encore a part.

Voici le programme que j'ai(j'ai egalement le fichier data lie a ce programme) pourriew vous me dire si deja il y a une erreur dans ce programme SVP...
Merci!!

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
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
#!/usr/bin/perl
 
 
# oblige ‡ utiliser la dÈclaration de variable pour chaque nouvelle variable (my $variable;)
use strict;
# explique les bugs
use warnings;
 
# le path du fichier dans une variable
my $genbank = "all_GenBank.txt";
 
# j'ouvre le fichier (||) ou je meurs
open (FILE, "$genbank") || die "salop\n";
# je stoque chaque ligne du fichier comme une string dans un array (liste)
my @lines_gb = <FILE>;
close FILE;
 
## dÈclaration des variables que je vais utiliser
my $line;
my $locus;
my $definition;
my $translation = 0;
my $seq;
my $complete_seq;
my $start_cds;
my $start;
my $end;
my $product = "";
my $protein_id;
my $prot_seq;
 
 
# boucle pour chaque ligne du fichier
foreach $line (@lines_gb){
 
# si la string de $line match avec un truc qui commence (^) par "LOCUS"
  if ($line =~ m/^LOCUS/){
# je split ma string en liste et je prend le deuxiËme ÈlÈment de la liste ([1] parceque Áa commence ‡ zero)
    $locus = (split(/\s+/,$line))[1];
# j'enlËve le caractËre invisible de saut de ligne de ma string
    chomp $locus;
  }
  if ($line =~ m/^DEFINITION/){
    $definition = $line;
# definition est egal ‡ la ligne qui commence par DEFINITION et je substitue DEFINITION du dÈbut et tous les espaces juste aprËs (\s 1 esapce, \s+ groupe d'espaces ou de tabulateurs)
    $definition =~ s/^DEFINITION\s+//;
# je virre (remplace par rien) ‡ partir de ", complete et tout autre caractËre aprËs"
    $definition =~ s/, complete.*//;
# je remplace les espaces par "_" le "g" c'est pour qu'il le fasse pas juste avec le premier, mais avec tous
    $definition =~ s/ /_/g;
    chomp $definition;
# je crÈ le repertoire qui portera le nom du virus
    mkdir "data/$definition";
  }
# si ya "translation dans la ligne ou si la variable translation est Ègale ‡ 1"
  if (($line =~ m/\/translation\=\"/)|($translation == 1)){
# je dÈfini translation ‡ 1
    $translation = 1;
    $seq = $line;
#je remplace tout ce qu'il y a avant translation et translation et "=" et """, le "\" c'est pour qu'il sache qu'on parle d'un caractËre normal, pas d'un truc special comme .*
    $seq =~ s/.*\/translation\=\"//;
    $seq =~ s/\s+//g;
    chomp $seq;
# je rajoute la string $seq ‡ $complete_seq
    $complete_seq = $complete_seq.$seq;
# c'est la fin de la sÈquence je remet translation ‡ 0
    if ($seq =~ m /\"/){
      $translation =0;
      $complete_seq =~ s/\"//;
    }
  }
  if ($line =~ m/3\'UTR/){
# fin de la sÈquence, on initialise...
    $complete_seq = "";
  }
# je garde les valeur de dÈbut et de fin de la protÈine
  if ($line=~ m/mat\_peptide/){
    $start = $line;
    $start =~ s/.*mat\_peptide\s+//;
    $start =~ s/\s+//g;
    $end = $start;
    $start =~ s/\.\..*//;
    $end =~ s/.*\.\.//;
    chomp $end;
    print "$start  $end\n";
  }
# je garde la valeur de dÈbut de la CDS
  if ($line=~ m/  CDS  /){
    $start_cds = $line;
    $start_cds =~ s/.*CDS\s+//;
    $start_cds =~ s/\s+//g;
    $start_cds =~ s/\.\..*//;
  }
# je garde le nom de proteine et l'id
  if ($line=~ m/\/product/){
    $product = $line;
    $product =~ s/.*\/product\=\"//;
    $product =~ s/\"\n//g;
    $product =~ s/ /_/g;
  }
# j'Ècris dans un fichier le nom et l'id, et la sÈquence de la protÈine
  if (($line=~ m/\/protein_id/)&($product !~ m/polyprotein/)){
    $protein_id = $line;
    $protein_id =~ s/.*\/protein_id\=\"//;
    $protein_id =~ s/\"\n//g;
    $protein_id =~ s/ /_/g;
# j'ouvre le fichier de sortie
    open (FILE, ">data/$definition/$product");
    print FILE "\>$product\t$protein_id\n";
    my $temp = $complete_seq;
# et oui c'est les coordonnÈes nuclÈiques...
    my $tmpstart =  int(($start-$start_cds)/3);
    my $tmpend = (($end-$start_cds+1)/3)-$tmpstart;
# substring chope la strin qui va de $tmpstart et qui fait $tmpend de long
    $prot_seq = substr($temp, $tmpstart, $tmpend);
    print FILE "$prot_seq\n";
    close FILE;
  }
}
# \n retour ‡ la ligne
print "tadam!!!\n\n"

**Jasmine80** · 04/11/2008, 13h53

Bonjour,

Pourrais-tu utiliser les balises CODE s'il te plait (icône dièse dans la barre d'outils)? Cela rendra ton code plus lisible.

Que contient exactement all_GenBank.txt ? Il existe des modules permettant à Perl de se connecter et d'accéder directement aux données de GenBank via internet.

**Jasmine80** · 04/11/2008, 15h17

Pourrais-tu me donner un des accessions en exemple?

Sinon regarde ce petit script :
Il récupère les informations de http://www.ncbi.nlm.nih.gov/entrez/v...re&id=39995074

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
#!/usr/bin/perl
 
 
use strict;
use warnings;
 
use Bio::DB::GenBank;
 
my $gb = new Bio::DB::GenBank;
 
# http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nuccore&id=39995074
my @liste_acc = ('NM_001800');
 
foreach my $acc (@liste_acc){
	print "Accession : $acc\n\n";
	# Recherche dans Genbank
	#--------------------------
	my $info = $gb->get_Seq_by_acc($acc);            
 
	my @features =  $info->get_SeqFeatures;
	# pour chaque feature du format Genbank
	for my $f (@features) {
		# pour chaque primary_tag (e.g : Gene, CDS, mRNA), si ce tag est égal à CDS
		my $tag = $f->primary_tag;
		if ($tag eq( "CDS" ) ) {
		    # on récupère l'ID de la protéine 
		    my @tags = $f->get_all_tags;
		    if ($f->has_tag("protein_id")) {
			my ($prot_id) = $f->get_tag_values("protein_id");
			print "prot_id : $prot_id\n";
		    }
		    # on récupère le contenu du champs produit  
		    if ($f->has_tag("product")) {
			my ($product) = $f->get_tag_values("product");
			print "Product : $product\n";
			my ($transl) = $f->get_tag_values("translation");
			print "Translation : $transl\n";
			my $seqStart = $f->start;
			my $seqEnd = $f->end;
			print "Start : $seqStart\nEnd : $seqEnd\n";
			# on récupère la séquence 
			my $subSeq = lc($info->subseq($seqStart, $seqEnd));
			print "SubSeq : $subSeq\n\n";
		    }
	    }
	}
}

Output :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
Accession : NM_001800
prot_id : NP_001791.1
Product : cyclin-dependent kinase inhibitor 2D
Translation : MLLEEVRAGDRLSGAAARGDVQEVRRLLHRELVHPDALNRFGKTALQVMMFGSTAIALELLKQGASPNVQDTSGTSPVHDAARTGFLDTLKVLVEHGADVNVPDGTGALPIHLAVQEGHTAVVSFLAAESDLHRRDARGLTPLELALQRGAQDLVDILQGHMVAPL
Start : 303
End : 803
SubSeq : atgctgctggaggaggttcgcgccggcgaccggctgagtggggcggcggcccggggcgacgtgcaggaggtgcgccgccttctgcaccgcgagctggtgcatcccgacgccctcaaccgcttcggcaagacggcgctgcaggtcatgatgtttggcagcaccgccatcgccctggagctgctgaagcaaggtgccagccccaatgtccaggacacctccggtaccagtccagtccatgacgcagcccgcactggattcctggacaccctgaaggtcctagtggagcacggggctgatgtcaacgtgcctgatggcaccggggcacttccaatccatctggcagttcaagagggtcacactgctgtggtcagctttctggcagctgaatctgatctccatcgcagggacgccaggggtctcacacccttggagctggcactgcagagaggggctcaggacctcgtggacatcctgcagggccacatggtggccccgctgtga

**guihzmo** · 04/11/2008, 15h28

Qu'entends tu par "accession"?
Merci de ton aide en tout cas :-)
Alors voici le programme avec la balise code:

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
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
 
 
#!/usr/bin/perl
 
 
# oblige ‡ utiliser la dÈclaration de variable pour chaque nouvelle variable (my $variable;)
use strict;
# explique les bugs
use warnings;
 
# le path du fichier dans une variable
my $genbank = "all_GenBank.txt";
 
# j'ouvre le fichier (||) ou je meurs
open (FILE, "$genbank") || die "salop\n";
# je stoque chaque ligne du fichier comme une string dans un array (liste)
my @lines_gb = <FILE>;
close FILE;
 
## dÈclaration des variables que je vais utiliser
my $line;
my $locus;
my $definition;
my $translation = 0;
my $seq;
my $complete_seq;
my $start_cds;
my $start;
my $end;
my $product = "";
my $protein_id;
my $prot_seq;
 
 
# boucle pour chaque ligne du fichier
foreach $line (@lines_gb){
 
# si la string de $line match avec un truc qui commence (^) par "LOCUS"
  if ($line =~ m/^LOCUS/){
# je split ma string en liste et je prend le deuxiËme ÈlÈment de la liste ([1] parceque Áa commence ‡ zero)
    $locus = (split(/\s+/,$line))[1];
# j'enlËve le caractËre invisible de saut de ligne de ma string
    chomp $locus;
  }
  if ($line =~ m/^DEFINITION/){
    $definition = $line;
# definition est egal ‡ la ligne qui commence par DEFINITION et je substitue DEFINITION du dÈbut et tous les espaces juste aprËs (\s 1 esapce, \s+ groupe d'espaces ou de tabulateurs)
    $definition =~ s/^DEFINITION\s+//;
# je virre (remplace par rien) ‡ partir de ", complete et tout autre caractËre aprËs"
    $definition =~ s/, complete.*//;
# je remplace les espaces par "_" le "g" c'est pour qu'il le fasse pas juste avec le premier, mais avec tous
    $definition =~ s/ /_/g;
    chomp $definition;
# je crÈ le repertoire qui portera le nom du virus
    mkdir "data/$definition";
  }
# si ya "translation dans la ligne ou si la variable translation est Ègale ‡ 1"
  if (($line =~ m/\/translation\=\"/)|($translation == 1)){
# je dÈfini translation ‡ 1
    $translation = 1;
    $seq = $line;
#je remplace tout ce qu'il y a avant translation et translation et "=" et """, le "\" c'est pour qu'il sache qu'on parle d'un caractËre normal, pas d'un truc special comme .*
    $seq =~ s/.*\/translation\=\"//;
    $seq =~ s/\s+//g;
    chomp $seq;
# je rajoute la string $seq ‡ $complete_seq
    $complete_seq = $complete_seq.$seq;
# c'est la fin de la sÈquence je remet translation ‡ 0
    if ($seq =~ m /\"/){
      $translation =0;
      $complete_seq =~ s/\"//;
    }
  }
  if ($line =~ m/3\'UTR/){
# fin de la sÈquence, on initialise...
    $complete_seq = "";
  }
# je garde les valeur de dÈbut et de fin de la protÈine
  if ($line=~ m/mat\_peptide/){
    $start = $line;
    $start =~ s/.*mat\_peptide\s+//;
    $start =~ s/\s+//g;
    $end = $start;
    $start =~ s/\.\..*//;
    $end =~ s/.*\.\.//;
    chomp $end;
    print "$start  $end\n";
  }
# je garde la valeur de dÈbut de la CDS
  if ($line=~ m/  CDS  /){
    $start_cds = $line;
    $start_cds =~ s/.*CDS\s+//;
    $start_cds =~ s/\s+//g;
    $start_cds =~ s/\.\..*//;
  }
# je garde le nom de proteine et l'id
  if ($line=~ m/\/product/){
    $product = $line;
    $product =~ s/.*\/product\=\"//;
    $product =~ s/\"\n//g;
    $product =~ s/ /_/g;
  }
# j'Ècris dans un fichier le nom et l'id, et la sÈquence de la protÈine
  if (($line=~ m/\/protein_id/)&($product !~ m/polyprotein/)){
    $protein_id = $line;
    $protein_id =~ s/.*\/protein_id\=\"//;
    $protein_id =~ s/\"\n//g;
    $protein_id =~ s/ /_/g;
# j'ouvre le fichier de sortie
    open (FILE, ">data/$definition/$product");
    print FILE "\>$product\t$protein_id\n";
    my $temp = $complete_seq;
# et oui c'est les coordonnÈes nuclÈiques...
    my $tmpstart =  int(($start-$start_cds)/3);
    my $tmpend = (($end-$start_cds+1)/3)-$tmpstart;
# substring chope la strin qui va de $tmpstart et qui fait $tmpend de long
    $prot_seq = substr($temp, $tmpstart, $tmpend);
    print FILE "$prot_seq\n";
    close FILE;
  }
}
# \n retour ‡ la ligne
print "tadam!!!\n\n"

**guihzmo** · 04/11/2008, 15h39

Je vois ce que tu veux dire par accession,enfin je crois,le programme que tu m'as donne est super interessant mais dans mon cas je dois extraire ces infos d'une database genebank de 61 genomes.Je suppose qu'avec ce programme je pourrai le faire pour chaque genome,mais avec le programme que l'on m'a donne,je peux le faire directement a partir des donnees des 61 genomes.
Ces genomes tu peux les retrouver ici:

Qu'en penses tu?

**Jasmine80** · 04/11/2008, 15h39

Qu'entends tu par "accession"?

Les séquences de GenBank ont plusieurs identifiants dont l'accession et le Gi.

Donne moi juste une valeur à droit du tag LOCUS, que je teste ton script sur une des séquences d'intérêt.

**guihzmo** · 04/11/2008, 15h40

Lien:
http://www.ncbi.nlm.nih.gov/entrez/v...SID&WebEnvRq=1

http://www.ncbi.nlm.nih.gov/entrez/v...SID&WebEnvRq=1

**guihzmo** · 04/11/2008, 15h42

Le premier genome a ces valeurs la:

LOCUS NC_003492 9532 bp ss-RNA linear VRL 23-OCT-2008
DEFINITION Bean yellow mosaic virus, complete genome.
ACCESSION NC_003492
VERSION NC_003492.1 GI:19881394

**Jasmine80** · 04/11/2008, 15h50

Es-tu obligé de passé par des fichiers textes? Ne peux-tu pas directement connecter Perl à genbank? Je peux t'aider à écrire le script, ça serait plus propre et plus simple.

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
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
#!/usr/bin/perl
 
 
use strict;
use warnings;
 
use Bio::DB::GenBank;
 
my $gb = new Bio::DB::GenBank;
 
# http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nuccore&id=39995074
my @liste_acc = ('NC_003492');
 
foreach my $acc (@liste_acc){
 
 
	my $locus;
	my $definition;
	my $translation = 0;
	my $seq;
	my $complete_seq;
	my $start_cds;
	my $start;
	my $end;
	my $product = "";
	my $protein_id;
	my $prot_seq;
 
 
	print "Accession : $acc\n\n";
	# Recherche dans Genbank
	#--------------------------
	my $info = $gb->get_Seq_by_acc($acc);    
	my $description = $info->desc();  
	print "Description = $description\n";
 
	my @features =  $info->get_SeqFeatures;
	# pour chaque feature du format Genbank
	for my $f (@features) {
		# pour chaque primary_tag (e.g : Gene, CDS, mRNA), si ce tag est égal à CDS
		my $tag = $f->primary_tag;
		if ($tag eq( "CDS" ) ) {
		    # on récupère l'ID de la protéine 
		    my @tags = $f->get_all_tags;
		    if ($f->has_tag("protein_id")) {
			my ($prot_id) = $f->get_tag_values("protein_id");
			print "prot_id : $prot_id\n";
		    }
		    # on récupère le contenu du champs produit  
		    if ($f->has_tag("product")) {
			my ($product) = $f->get_tag_values("product");
			print "Product : $product\n";
			my ($transl) = $f->get_tag_values("translation");
			print "Translation : $transl\n";
			my $seqStart = $f->start;
			my $seqEnd = $f->end;
			print "Start : $seqStart\nEnd : $seqEnd\n";
			# on récupère la séquence 
			my $subSeq = lc($info->subseq($seqStart, $seqEnd));
			print "SubSeq : $subSeq\n\n";
		    }
	    }
	}
}

Voila ce que le script récupère

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
Accession : NC_003492
 
Description = Bean yellow mosaic virus, complete genome.
prot_id : NP_612218.1
Product : polyprotein
Translation : MTTINIGTIPVVINQNANTQMGEGTKNIFPFVKDFIDPFADLEMRCAERVKRMGELCFSKKGRYITMIPKPDYIKTREKEQREEELNFQNSEHVLSSIGTTCTPEHYSSRNNGMQVSFKTQHYKRTIRKPRIQAKKRDLKGQHTIHYVAKELLSIVKKRDMVLEVADKRKHANFATFRRYGKTYGMHIALNHMVRKRRRVDVTLNKLMTEIAMHCAIPFECLDTLTLRKGHSGLVLQTETVPNVHKIKSKITIVRGVVNEGNIPVLVDARKKLSGKDMSTIREFSAGDLFWKGYNQTFIDNRPTDLNHQCTSDLNVTQCGSVMALLTLALFPCGRITCKKCVENFLNQNNKERFNNASVFINQVIQLLEKGFSEFKHSKEILLMFKERLQMENPATDQCMEIAKATAALPEAPFSHIKEINNVLLKYGSLSNEEVGGASKHLLEVVRYIRNRTDSIQRNDLSKFRNKISSKTHVNLDLMCDNQLDKNANFVWGQRAYHAKRFLSNYFNEINPSEGYDKFIFRKLPNGARELAIGRLIMPTNFEAFREQMKGNMIDNGPIGKDCVSRMRGSFCYPCCCTTDDVGNAVLSDFKMPTKYHLVLGGNDLAKYIELPSDSTGNMYIAKDGYCHINIFFAMLVNVSEEKSKDFTKMVRDQIMPKLGEWPTMMDVATACWQLTVWFPDTLSAELPRILVDHKLGIMHVLDSYGSISAGYHVLKANIVSQLIKFASDDLESELKYYRVGGDWNFGNRVRTDTKFLLKSIYRPDLLERIIEHEPFVLVLAMQSPAVLLALFNSASLEKAVQYWMHREMQVSHIMTLLAVLASNVSASRLLTTQFEIIEASAPQILAEMDKVHQPMHSIHSANVFLMNLNESRETDKTIDELGFYSFKKSSRILMEKTLMADLEEQWQGLGLLERLSLIKRSWRVRAKYSSFAIQREEPGIRDKFTTSLKLSGAQIKQQLLAQKDQAVHFVERRIERTKKFVANQAIGLVKMCLPRLADIVNVLTVIMLLNALLAFMLDHIKRFNEARRIAQEKKEKQHLRELNTLYSKHWDNEKPTYLEFKSDVIEKLPHTLATFEKYYSEDDKYTFQAKPNDMIALEKIVAVTALILMIFDAERSDCVYKVLNKLKGILSTTTQDAYRFQSLDTSKTLLEEKEMTIDFEINEGEVKAFSGTQTTFSEWWDNQLQNGNVITHYRTEGQFMEFTRANAQPVANEIAHNDAQDILVRGAVGSGKSTGLPFYLSNKGKVLMIESTRPLAENVFKQLKSEPFYVSPTLRMRGTTSYGASPITIMTSGYALHYYANNPAMMKEYKFVIIDECHVHDASAIAFVSLLKEYSFDGKLIKVSATPPGREVEFTTQYPVTLVTEESLSFEQFVSQQGTGANCDMLDVCDNILVYVASYNEVDQLSKMLLDRGHIVTKVDGRTMKNGKTEIESKGSRSKRHFIVATNIIENGVTLDIEGVVDFGLKVVPELDVDNRLMRYTKQSVSYGERIQRLGRVGRHKAGKALRIGVTEKGLMKPPSVITTEAAFYCFAYGLPVMAEGVTPSLLSKCTVQQARSMMSFELPIMYTVNLVRFDGTMHPSVHNLLKPYKLRDSNVVLNKMAIPHGNVRNWPTVRDFKHMGVRIDIPEDTRVPFHARGIPDKLHKEIFEVCCKYKGDAGFSKLNVVNACKIAYTLQTDPSSIQRTIKILDELIAREQQKREYFQNVANTSCAGSSYSLSNIINAIRARSTSDYTQENLSVLHSARAQLLEFKNINSDFSNLSTLSEFGALECLQFESLQGVSKHLQLKGHWNKPVLIQDFLIAAGVLGGGCWMLYQYFKQETSKAFVFQGKNRRTKQKLRFRDARDMKGRMEVYADEGTIVENFGSKYTKKGKVRGTTTGMGTKTRRFTNMYGFDPTEYSFARYLDPITGETLDEQPITNLNLVSEHFQEMRRKYRENDIMESQHFAASPSIEAYFVKDAGQKVLKVDLTPHKPLLYSDKFGNIMGYPEREGELRQTGTAEFIDPKELPEPKESTDFDFESLSKIGGLRDYNPIAANVCLLENESAEYCDEIYGIGYGNVIITNQHLFRHNNGELTIKSKHGTFKCKNTCALKLLPIEGHDLLLIQMPKDFPVFPQKLRFREPTHEDKIVLVSTNFQEKSFSSVVSESSNISRVKQANFFKHWISTVAGQCGNPMVSTKDGFIVGIHSLTAISGDLNVFTSIPPNFEDEVLKQMSKKNWCCGWKLNTSQIGWDGIKIVDDQPKDPFPVSKMVGLLNDLQLSFQSAKNTKWLLERAHGNIKAVAQASSALVTKHVVKGKCRLFEVYLTTDEEAEKFFRPLMGAYQKSRLNKEAYVKDLMKYATPIEVGLVDTRCFERCFEKVQNMLELKGFSKCNYVTYGPDILSALNMKAAMGALYSGKKKDHFSEISEEKFDNILQASCERLYSGRMGVWNGSLKAELRPQEKVLANKTRSFTAAPIDTLLAGKVCVDDFNNKFYSLHLKIPSTVGITKFYGGWDRLLNSLPDGWVYCDADGSQFDSSLTPYLLNAVLEMRLRLMEEWDLGEQMLKNLYTEIVYTPILTPDGTVVKKFKGNNSGQPSTVVDNTLMVIMAVYYAAEKLGIKGNLEDTLVFFANGDDLLIAIKPECESYLDKFEGLFSELGLKYDFSSRTKNKGDLWFMSHRGIQIDGMWIPKLEEERIVSILEWDRAIQPEHRLEAICAAMIEAWGYPTLLNHIRKFYLWVLGQAPYSQLSAEGKAPYISEVALKHLYTEERVTPAELERYSIALIDCFESESDEVLVCRFQSDQEIFNAGETKKDKARKNEENPDKNSEGQSSRQIVPDRDVNAGTVGTFSVPRLKKIAGKLNIPRIGGKIVLNLDHLLEYNPPQDDISNVIATQAQFEAWYNGVKQAYEVEDSQMGIILNGLMVWCIENGTSGDLQGEWTMMDGEEQVTYPLKPILDNAKPTFRQIMSHFSEVAEAYIEKRNATERYMPRYGLQRNLTDYGLARYAFDFYKLTSKTPVRAREAHMQMKAAAVRGKSTRLFGLDGNVGTDEENTERHTAGDVNRDMHTMLGVRI
Start : 191
End : 9361
SubSeq : atgactactattaatattggaactattccggtagtaataaaccaaaacgctaacacccagatgggtgagggcaccaaaaatatttttccttttgttaaggattttattgatccttttgctgatttggagatgaggtgcgctgagcgggttaagcgcatgggagaattatgtttttcaaagaagggacgctacatcacgatgattccaaaacccgactacatcaagaccagagagaaggagcagcgtgaggaagagctgaactttcaaaatagtgagcatgttctgagctcaattggcactacttgcactcctgaacactactcttcacgaaacaacgggatgcaagtttcgtttaaaacacagcattacaaaagaaccattagaaaacctcgcatacaggccaaaaagagagacctgaaaggccaacatacaattcattatgtggcgaaggaacttctcagcattgtaaagaagagggatatggttctagaggttgctgacaagagaaagcatgcaaactttgccactttcaggagatacggaaaaacttacggtatgcacatagctctaaaccacatggtgaggaagagacgtagagttgacgtcacgttgaataaattgatgactgagattgccatgcattgtgcaattccatttgaatgcttggacactttgaccctcaggaaaggacacagtgggttagttttacaaactgaaacggtgcccaatgttcataagattaagtcaaaaatcactattgtgagaggagtagtgaatgaagggaatattccagttctcgttgatgcaaggaagaaattgtctggcaaagacatgagtaccataagagagttttcagctggtgacttattctggaagggatataatcaaacattcattgacaatagaccaacagacctaaatcaccaatgcacatcagatttgaatgtaacacagtgtggatcagtcatggcgcttttaactttagctttatttccttgtggtcgcatcacttgcaagaagtgtgttgaaaacttccttaaccagaataataaggagagatttaataatgcaagtgtgttcataaaccaagtcatccagcttttggaaaaagggttctcagagttcaaacactcgaaagaaattttgttgatgttcaaagaaagactccaaatggagaaccctgcaacagatcaatgcatggaaattgcaaaagctacagcagcgttgcccgaggcaccattcagtcatatcaaagaaattaataatgtcttactgaaatatggaagtctcagcaatgaagaagttgggggtgcaagcaagcacttgcttgaagtggtgcgttatataaggaacaggacagattccatccagaggaacgatctcagcaagttcaggaataaaatttcttcgaagacccacgttaatttggatttaatgtgtgacaaccagctggacaaaaatgccaattttgtgtggggtcagagagcgtaccatgctaagcgatttcttagcaactacttcaacgaaatcaacccatcggaggggtatgacaaattcatttttaggaaattgccgaacggagctcgagagttagctataggaagattgatcatgcctacgaactttgaagcttttagggaacagatgaaaggaaacatgattgataatggaccaattgggaaggattgtgtatcacgcatgaggggttcattctgttacccttgctgttgcacaactgatgatgtgggaaatgcagtattatccgatttcaagatgccaacaaaataccaccttgttctgggtggaaacgatctggctaagtacatagaattaccatcggatagcacaggcaatatgtacatagcgaaagatggttattgtcatataaacatctttttcgcaatgttggtaaatgtttcagaggaaaaatcgaaggattttacaaaaatggttcgtgatcaaataatgccgaaattaggtgaatggccaactatgatggatgtcgcaacagcttgttggcaactgacagtttggtttcctgacacgttgagtgctgaattgcccagaattttagttgatcacaagctcggaatcatgcatgtccttgactcatatggttcaattagcgcgggataccatgttttgaaagcaaatatagtatctcagctaattaagtttgctagtgatgaccttgaatctgaactgaagtattatagagttggtggtgattggaactttggcaaccgagtccgaactgatacaaaatttcttctcaagagtatatataggcctgatttgctagagaggataatagagcatgaaccattcgtgctagtgttagccatgcagtcgccagctgtcttattagccctttttaacagcgcttcattggagaaagcagttcagtattggatgcacagggagatgcaagtttcacatataatgacactattggctgttttggcttcaaatgtgagcgcttcgaggctgttaaccacacaatttgagatcattgaagcaagtgcacctcagattcttgcggaaatggacaaggtccatcaacccatgcactcaattcatagtgctaacgtcttcctaatgaacttgaatgaaagtcgagaaacagacaagacaatagatgaattgggcttctattcgttcaagaaatccagcagaattttaatggaaaaaaccttaatggcggatttggaggagcaatggcaaggattaggattgttggaacgattatctttaataaagcggtcgtggcgagtgcgagcaaagtattcaagctttgcaatccaacgagaagagccaggtataagagacaagttcacaacctcactcaagttatcaggggctcagataaaacaacagttacttgctcaaaaggatcaggctgtccattttgtagaaaggagaattgaaagaactaagaagtttgtcgcaaaccaggccattggcttggttaagatgtgtttaccaagactagcagacatcgtgaacgttttgacggttatcatgttgctaaacgctctactagcattcatgcttgatcacataaaaagatttaatgaagctaggaggatagcccaggagaagaaggaaaagcagcacttgagagagctaaacactttgtatagcaagcactgggataatgaaaaaccaacatacctggaattcaagtctgatgtgattgaaaagttaccgcatacgctcgcaacctttgaaaagtactactccgaggacgacaagtacacttttcaagcaaaaccaaatgacatgatcgctcttgagaagattgttgcagtaacagcactgatactcatgatttttgatgctgagaggagtgattgtgtttacaaagttctgaacaaattgaagggcattttgtcaacaaccacacaggatgcatacaggtttcaaagcttagacacctccaaaactcttctggaagagaaagagatgaccattgattttgaaattaatgaaggtgaagtgaaggcattctcaggcacacaaacaactttctctgagtggtgggacaatcaactgcagaatggaaatgtgataacccactacagaacagagggccaatttatggagttcacgagagctaatgcgcaacctgtggcgaatgaaattgcacacaatgatgcacaagacatactcgtgagaggtgctgttggatctgggaaatcaactggtctgccgttttatttgagcaataaaggaaaggttttaatgattgagtcaacaagacctttagctgaaaatgttttcaaacaattaaagagtgaacctttctatgtaagtcccacgctccgtatgagaggtacaacaagctacggagcatcaccaatcaccataatgactagtgggtacgctttacactattatgcaaacaatccagcaatgatgaaagagtataagtttgtcataatagatgagtgtcatgtacatgatgcaagtgcaattgccttcgtaagcttgctcaaggaatattcatttgacggcaagctcattaaagtgtctgcaacacctccagggagagaagtggaattcacaacgcagtatcctgtgactctagtgacggaggagagtctctctttcgagcagtttgtttcacaacagggtacgggtgcaaattgtgatatgttggatgtttgtgataatatacttgtctatgtagcaagctacaatgaagttgatcaattatcaaaaatgctactagatagaggacacattgtaaccaaagtggatgggagaaccatgaagaatggtaaaacagagattgaaagcaagggcagcagatcaaagcgacactttattgtggcaacaaacatcattgaaaatggtgtaacgcttgacattgaaggtgtcgtcgattttggtctcaaagtggtgccagagttagatgtggataacaggctaatgagatacacaaagcaaagtgtttcttatggagagagaatacagaggcttggaagagttggaagacacaaggctggcaaggcattgagaattggtgtaactgaaaaaggattgatgaaaccacccagcgttatcacaactgaagctgctttttactgttttgcgtatggattaccggttatggccgagggtgtaacaccaagtttactcagcaaatgtacagtgcagcaagcgcgtagcatgatgagctttgagcttccaataatgtacacagtgaatttggtaagatttgatggcactatgcatccttctgtgcataacttactgaagccgtataaactaagggattcaaatgtggtgctgaataagatggcgatacctcatgggaatgtgcggaactggcccacagttagagatttcaaacacatgggggttcgtattgatatacctgaagacacccgtgttccttttcacgcccgtggcatcccagataagttgcacaaagaaatctttgaagtgtgttgtaagtacaagggtgatgctggattcagtaaactgaatgtagtcaatgcatgcaagatagcatacactctccaaacagacccttcatcaattcagaggacaataaaaatacttgatgagctgatagcgcgtgagcaacaaaagcgagaatatttccaaaatgtggccaacacatcatgtgctggttccagctactctttgtcaaatatcatcaatgccatcagagcaaggagcacaagcgattacactcaggagaatttgagcgttttgcacagtgccagagcacaattgctggaattcaagaatataaacagtgatttctccaatctatcaactctaagcgaatttggtgcccttgaatgtttgcaatttgaatctttgcaaggggtaagcaagcatcttcagttaaaaggacattggaataaaccagtgttgatccaggactttttaattgcagcgggagtgctcggaggtgggtgttggatgctttatcaatatttcaaacaagagacgagcaaggcatttgtgttccaaggaaagaacagaaggacaaagcagaagttgaggtttcgagatgctagagacatgaaaggccgcatggaagtttacgcggatgaggggactatagtggaaaactttggcagcaaatacacaaagaagggaaaagttagaggtaccacaactggtatgggaacaaagactagaagatttacaaatatgtacggtttcgatccaacagagtactcttttgctagatacttggaccctatcacaggtgaaacactggatgaacaacccataacaaatttgaatcttgtttctgaacactttcaggaaatgagaagaaaatacagagagaatgatatcatggagtcgcagcacttcgctgcaagccccagtattgaagcttattttgtcaaagacgcaggccagaaagttttgaaagtcgacttgacaccacacaaacctttgttgtatagtgacaagtttggaaacattatgggttatcctgagagagaaggggagttaaggcaaactggcacagctgagtttattgatcccaaagagctaccagaaccaaaagagtctacggatttcgattttgagagtctcagcaagataggaggtttacgtgactataacccaatagctgcaaatgtttgtttgttagaaaacgaatcagcagagtattgtgatgagatatacggcattgggtatggaaacgtgatcataacgaatcagcatttgttcaggcacaataatggagaattgaccattaaatccaaacatggaactttcaagtgcaagaacacgtgcgcactcaagttgcttccgatagaaggccacgatctactcctcattcaaatgccaaaagatttccccgtgttcccacagaaactcagattcagggaaccaacacatgaggacaagatagttctcgtgagcacaaacttccaggagaaaagcttttcaagtgtagtttcagaatccagtaacatatcaagggtgaagcaagctaatttcttcaaacattggatttcgacagtagccggacagtgtggtaatcctatggtttccactaaagatggttttattgtagggattcacagtttgactgcaatttcaggtgaccttaatgtgttcacatctataccaccaaattttgaggatgaagtgctaaaacaaatgagcaaaaagaactggtgttgtggctggaagttgaacacgtcacaaattggatgggatgggattaaaattgtggatgatcaaccaaaggatcctttcccagtttcgaagatggtagggttgttgaatgaccttcaattgagtttccagagtgcgaagaatacaaagtggctattggaacgagctcatggcaacataaaggcagttgcccaggcttccagcgctcttgtcactaaacatgttgtaaaaggaaaatgccgcttgtttgaagtttacttaacaacggatgaagaagcagagaaattctttcgaccattgatgggtgcgtaccagaaaagtcgattaaataaggaggcatacgtgaaagatttgatgaaatacgcaactccaatagaagttggtcttgtcgacacgaggtgctttgagagatgttttgagaaggttcaaaatatgttggaattgaagggtttcagcaaatgcaactacgtcacttatgggcccgacattctaagcgctctcaatatgaaggcagcaatgggtgcattgtactcaggaaagaaaaaggatcacttctcagagatcagtgaggaaaaattcgacaacattctccaagcaagttgtgagagattgtacagtggtcgaatgggtgtttggaatggatcattgaaagcagagctgagaccacaagaaaaagtgctcgcaaataaaactcgatcatttacagcagcaccaattgacacacttttggctggaaaggtttgtgtggatgatttcaacaataagttctacagtttgcacctgaagatcccgtcgacagtgggaataacaaagttctatggtggttgggatcggctgctcaattctttaccagatggatgggtgtactgcgatgctgatggttcccaatttgacagctcactcactccataccttttgaatgctgtccttgagatgcggttgagacttatggaagaatgggatttgggtgaacagatgttgaaaaatctttatacagaaattgtgtacacacccatattgacaccagatggaacggttgtcaagaagtttaaagggaataacagtggacagccatccacagtggttgacaacacgctcatggttattatggcagtttattatgcagcggaaaagcttggtatcaaggggaatctcgaagatacacttgttttctttgccaacggggatgacctgctaattgccattaaaccagagtgtgaatcgtaccttgataaatttgagggcttgtttagtgaactgggattaaagtatgatttcagtagcagaacgaagaacaaaggtgacttgtggtttatgtcacacagaggaattcaaatagatgggatgtggattcctaaattggaagaggagcgcatcgtttcaattctggagtgggacagagctattcaaccagaacatagacttgaggcaatatgcgcagcaatgattgaagcatggggctatccaactctattaaaccacataaggaagttctacctttgggtcttagggcaagcaccatatagtcaattgagtgctgagggcaaggcaccatacatttcagaagtcgcgctcaagcacctatacactgaggagagagtcacaccagccgaattggaaaggtatagcattgcattaatcgactgttttgagtccgagagtgatgaggtgcttgtgtgtcgttttcaatcagatcaagagatattcaatgcaggtgagacgaagaaggataaagcgaggaagaatgaagaaaatcctgataagaactctgaggggcagagtagcaggcaaatagtgccagacagagatgtgaatgcaggaactgttggaacgttttcagttcctaggctcaagaaaatagcaggaaagctaaatattcctaggattggtggaaagatagttctcaatctagaccacctgctggaatataacccaccacaagatgacatttcaaatgttatagcaacacaagcacagtttgaagcatggtacaatggtgtcaaacaagcatatgaggttgaagattcacagatgggaattattctgaatggccttatggtgtggtgcatagagaatggcacatcaggagatttacaaggtgaatggacaatgatggatggagaggagcaggtgacataccctttaaaacctatcttggacaatgcaaagccaacattccgccaaataatgtcacatttctcggaagttgcggaagcctacattgaaaagaggaatgcaacagagaggtacatgccacggtatgggcttcagaggaacctaactgattatggcttggctagatatgcttttgacttctacaagctgacttcaaaaactcctgtacgtgctagggaagcacacatgcaaatgaaggcggcagcagttaggggcaagtcaacccgattatttggacttgatggcaatgttggaacagacgaggagaacacagagagacacacagcaggagatgtcaatcgtgatatgcacaccatgcttggtgttcgtatttag

Quelles autres informations as-tu besoin?

**guihzmo** · 04/11/2008, 15h54

Il y avait des erreurs sur le script?
En fait je pense que la personne voulait passer par un fichier texte car je dois regrouper les infos de 61 genomes, donc au lieu de passer d'une accesion a une autre, j'extrais en txt mes 61 genomes en "genebank" comme sur le lien que je t'ai donne et ensuite je lance le programme avec ce fichier txt. Mais si je peux passer directement par ncbi et genebank,ca me va encore mieux!
Qu'en penses tu?

**Jasmine80** · 04/11/2008, 15h56

Je vois ce que tu veux dire par accession,enfin je crois,le programme que tu m'as donne est super interessant mais dans mon cas je dois extraire ces infos d'une database genebank de 61 genomes.Je suppose qu'avec ce programme je pourrai le faire pour chaque genome,mais avec le programme que l'on m'a donne,je peux le faire directement a partir des donnees des 61 genomes.

Mon programme peut également le faire directement pour 61 génomes, il suffit de remplir la liste @liste_acc avec les 61 références.

Donc si j'ai bien compris le fichier all_GenBank.txt contient les fichiers genbank des 61 génomes bout à bout.

Donc par exemple :

LOCUS NC_003492 9532 bp ss-RNA linear VRL 23-OCT-2008
DEFINITION Bean yellow mosaic virus, complete genome.
ACCESSION NC_003492
VERSION NC_003492.1 GI:19881394
PROJECT GenomeProject:15339
KEYWORDS .
SOURCE Bean yellow mosaic virus
ORGANISM Bean yellow mosaic virus
Viruses; ssRNA positive-strand viruses, no DNA stage; Potyviridae;
Potyvirus.
REFERENCE 1 (bases 1 to 9532)
AUTHORS Nakamura,S., Honkura,R., Iwai,T., Ugaki,M. and Ohashi,Y.
TITLE The complete nucleotide sequence of bean yellow mosaic virus
genomic RNA
JOURNAL Ann. Phytopathol. Soc. Jpn. 62, 472-477 (1996)
REFERENCE 2 (bases 5227 to 9532)
AUTHORS Nakamura,S., Honkura,R., Ugaki,M., Ohshima,M. and Ohashi,Y.
TITLE Nucleotide sequence of the 3'-terminal region of bean yellow mosaic
virus RNA and resistance to viral infection in transgenic Nicotiana
benthamiana expressing its coat protein gene
JOURNAL Ann. Phytopathol. Soc. Jpn. 60, 295-304 (1994)
REFERENCE 3 (bases 1 to 9532)
CONSRTM NCBI Genome Project
TITLE Direct Submission
JOURNAL Submitted (02-APR-2002) National Center for Biotechnology
Information, NIH, Bethesda, MD 20894, USA
REFERENCE 4 (bases 1 to 9532)
AUTHORS Nakamura,S.
TITLE Direct Submission
JOURNAL Submitted (01-MAR-1996) Shigeo Nakamura, Miyagi Prefecture
Agricultural Reseach Center, Plant Biotechnology;
Takadate-kawakami, Natori, Miyagi 981-12, Japan (Tel:022-383-8131,
Fax:022-383-9907)
COMMENT REVIEWED REFSEQ: This record has been curated by NCBI staff. The
reference sequence was derived from D83749.
COMPLETENESS: full length.
FEATURES Location/Qualifiers
source 1..9532
/organism="Bean yellow mosaic virus"
/mol_type="genomic RNA"
/strain="MB4"
/db_xref="taxon:12197"
5'UTR 1..190
gene 191..9361
/locus_tag="BYMVgp1"
/db_xref="GeneID:935289"
CDS 191..9361
/locus_tag="BYMVgp1"
/codon_start=1
/product="polyprotein"
/protein_id="NP_612218.1"
/db_xref="GI:19881395"
/db_xref="GeneID:935289"
/translation="MTTINIGTIPVVINQNANTQMGEGTKNIFPFVKDFIDPFADLEM
RCAERVKRMGELCFSKKGRYITMIPKPDYIKTREKEQREEELNFQNSEHVLSSIGTTC
TPEHYSSRNNGMQVSFKTQHYKRTIRKPRIQAKKRDLKGQHTIHYVAKELLSIVKKRD
MVLEVADKRKHANFATFRRYGKTYGMHIALNHMVRKRRRVDVTLNKLMTEIAMHCAIP

PS : aujourd'hui je n'ai plus le temps, j'y regarderai demain.

**guihzmo** · 04/11/2008, 15h58

Et en fait, je dois a partir de chaque genome extraire chaque sequence de chaque CDS (grace a la numerotation de la sequence, par exemple si le CDS 1 va de la 1 a la position 1200,eet bien le programme extrait la sequence) et le programme effectue ca pour chaque CDS.
Au final pour chaque genome,j'ai la sequence de chaque CDS avec les positions ds le genome + la sequence du genome complete ADN et polyprotein.
Voila ce que devait faire le programme...

**guihzmo** · 04/11/2008, 15h59

Ok pas de soucis,
merci pour ton aide!
Bonne journee ;-)

**Jasmine80** · 04/11/2008, 18h14

Le premier genome a ces valeurs la:

LOCUS NC_003492 9532 bp ss-RNA linear VRL 23-OCT-2008
DEFINITION Bean yellow mosaic virus, complete genome.
ACCESSION NC_003492
VERSION NC_003492.1 GI:19881394

NC_003492 = accession = entrée de mon programme (qui prend une liste de plusieurs accessions).

Tu devrais quand même essayer d'utiliser le module Bio--DB::GenBank ... il est fait pour ça, et cela serait beaucoup plus simple et plus fiable que de 'chipoter' à essayer de récupérer et formater les données d'un fichier texte. Essaye le programme que je t'ai donné et donne lui en entrée la liste des accessions de tes séquences. Tu peux facilement récupérer les 91 accessions de ton fichier texte via une expression régulière repérant le tag 'LOCUS'. Je n'ai jamais testé avec autant de séquences mais si cela ne va pas tu pourras toujours essayer de lire ton fichier texte. A priori, je pense que cela devrait fonctionner vu qu'il n'y a qu'un accession à la fois par requête.

**Jasmine80** · 05/11/2008, 11h42

Voila, j'ai corrigé ton programme, vérifie bien qu'il fait exactement ce que tu veux. Je tiens cependant à répéter (et oui, je radote) que c'est une très mauvaise solution de lire un fichier texte alors que le module Genbank existe ... je ne garantis pas que tu ne perdras pas des informations en cours de lecture de ce fichier. Utiliser des expressions régulière afin de lire un texte est très puissant mais on n'est jamais certains d'avoir prévu tous les cas possibles.

De façon générale, tu fais compliqué avec plusieurs substitutions quand on peut faire simple en une seule expression régulière.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
# je garde les valeur de dÈbut et de fin de la protÈine
  if ($line=~ m/mat\_peptide/){
    $start = $line;
    $start =~ s/.*mat\_peptide\s+//;
    $start =~ s/\s+//g;
    $end = $start;
    $start =~ s/\.\..*//;
    $end =~ s/.*\.\.//;
    chomp $end;
    print "$start  $end\n";
  }

équivaut à

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
	# je garde les valeur de dÈbut et de fin de la protÈine  mat_peptide     1043..2413
	elsif ($line=~ m/mat_peptide\s+(\d+)\.\.(\d+)/){
		$start = $1;
		$end = $2;
	}

Pour ce qui est de récupérer la séquence en concaténant ses morceaux répartis sur plusieurs lignes, je n'aime pas trop cette méthode que je trouve dangereuse (j'ai déjà eu par le passé la mauvaise surprise de perdre un bout) ... Bio--DB::GenBank reste plus fiable

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
    my $info = $gb->get_Seq_by_acc($acc);
    my $sequence = $info->seq();

Néanmoins, voici le code récupérant les informations du fichier texte sans utiliser Bio--DB::GenBank. Je ne l'ai testé que pour la séquence que tu m'avais renseignée (NC_003492). Probablement devras-tu un peu l'adapter afin qu'il fonctionne pour tous tes génomes. J'ai utilisé le module FileHandle afin de créer automatiquement les fichiers de sortie mais tu peux t'en passer en les créant manuellement avant d'exécuter ce code. Une dernière chose, il faut dans ce script un signal de fin du génome traité, j'ai utilisé le signe // qui se retrouve à la fin de mon fichier GenBank, vérifie bien qu'il soit présent entre tes différents génomes.

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
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
#!/usr/bin/perl
 
 
# oblige ‡ utiliser la dÈclaration de variable pour chaque nouvelle variable (my $variable;)
use strict;
# explique les bugs
use warnings;
# manipulation de fichiers  (à installer)
use FileHandle; 
 
# le path du fichier dans une variable
my $dir = 'P:/Perl/scripts2/Test/';
my $genbank = "all_GenBank.txt";
 
# j'ouvre le fichier (||) ou je meurs
open (FILE, $dir.$genbank) || die $!;     		# ===> inutile de mettre des doubles quotes autour d'une variable    $! contient l'info de l'erreur système
 
 
 
## dÈclaration des variables que je vais utiliser
my $line;
my $locus;
my $definition;
my $translation = 0;
my $seq;
my $complete_seq;
my $start_cds;
my $start;
my $end;
my $product = "";
my $protein_id;
my $prot_seq;
 
 
 
# boucle pour chaque ligne du fichier
while (my $line = <FILE>){			# ===> on peut directement lire le fichier ligne par ligne
 
# si la string de $line match avec un truc qui commence (^) par "LOCUS"
	if ($line =~ m/^LOCUS\s+(\w+)\s/){   		# ===> expreg dans le if meilleur" qu'un split après le if
		$locus = $1;
	}    
 
	elsif ($line =~ m/^DEFINITION\s+(.*?)(:?, complete)/){		# ====> elsif meilleur que if   Expreg remplace $definition =~ s/^DEFINITION\s+//;  et $definition =~ s/, complete.*//;
		$definition = $1;
		# je remplace les espaces par "_" le "g" c'est pour qu'il le fasse pas juste avec le premier, mais avec tous
		$definition =~ s/ /_/g;
		# je crÈ le repertoire qui portera le nom du virus
		mkdir $dir.$definition;
	}
 
	# si ya "translation dans la ligne ou si la variable translation est Ègale ‡ 1"
	elsif ((!$translation) && ($line =~ m/translation=\"([A-Z]+)/)){
		# je dÈfini translation ‡ 1
		$translation = 1;
		$complete_seq = $1;
 
	}
	elsif (($translation) && ($line =~ m/^\s+([A-Z]+)"?/)){
		# je rajoute la string $seq ‡ $complete_seq
		$complete_seq = $complete_seq.$1;
	}
 
	# je garde les valeur de dÈbut et de fin de la protÈine  mat_peptide     1043..2413
	elsif ($line=~ m/mat_peptide\s+(\d+)\.\.(\d+)/){
		$start = $1;
		$end = $2;
	}
	# je garde la valeur de dÈbut de la CDS
	elsif ($line=~ m/CDS\s+(\d+)\.\./){  
		$start_cds = $1;
	}
	# je garde le nom de proteine et l'id
	elsif ($line=~ m/\/product="(.*)"/){ 
		$product = $1;
	}
	# j'Ècris dans un fichier le nom et l'id, et la sÈquence de la protÈine
	elsif (($line=~ m/\/protein_id="(.*)"/)&&($product !~ m/polyprotein/)){    # ===>  utiliser && et non le simple &
		$protein_id = $1;
	}
 
	# quand on toutes les information
	if(($definition)&&($product)&&($protein_id)&&($start)&&($end)&&($start_cds)){
		# je crée le fichier de sortie
		my $fs = FileHandle->new('>'.$dir.$definition.'/'.$product.'.txt');
		print $fs "\>$product\t$protein_id\n";
 
		# et oui c'est les coordonnÈes nuclÈiques...
		my $tmpstart =  int(($start-$start_cds)/3);  
		my $tmpend = (($end-$start_cds+1)/3)-$tmpstart;  
		# substring chope la strin qui va de $tmpstart et qui fait $tmpend de long
		$prot_seq = substr($complete_seq, $tmpstart, $tmpend);
		print $fs "$prot_seq\n";
 
		$start = 0;
		$end = 0;
		$product = "";
		$protein_id = '';
	}
 
	# quand on arrive à la fin des données du premier génome
	elsif($line =~ '//'){
		# réinitialisation des variables pour le génome suivant du fichier
		$locus = '';
		$translation = 0;
		$seq = '';
		$complete_seq = '';
		$definition = '';
		$start_cds = '';
		$prot_seq = '';
	}
}
# \n retour ‡ la ligne
print "tadam!!!\n\n"

Ce script crée les répertoires correspondant aux virus (ex : Bean_yellow_mosaic_virus)
et y place les fichiers : (par ex pour le répertoire Bean_yellow_mosaic_virus)
P1 protein.txt
HC-Pro protein.txt
P3 protein.txt
6K1 protein.txt
CI protein.txt
6K2 protein.txt
NIa-VPg protein.txt
NIa-Pro protein.txt
NIb protein.txt
coat protein.txt

contenant par exemple pour NIa-Pro protein.txt

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
>NIa-Pro protein	NP_734180.1
SLSKIGGLRDYNPIAANVCLLENESAEYCDEIYGIGYGNVIITNQHLFRHNNGELTIKSKHGTFKCKNTCALKLLPIEGHDLLLIQMPKDFPVFPQKLRFREPTHEDKIVLVSTNFQEKSFSSVVSESSNISRVKQANFFKHWISTVAGQCGNPMVSTKDGFIVGIHSLTAISGDLNVFTSIPPNFEDEVLKQMSKKNWCCGWKLNTSQIGWDGIKIVDDQPKDPFPVSKMVGLLNDLQLSFQ

... j'espère que c'est bien ce que tu voulais faire.
N'hésite pas à me poser des questions.

**guihzmo** · 06/11/2008, 14h06

Mail d'hier
"Salut!
merci pour avoir corriger mon programme qui n'est d'ailleurs pas vraiment le mien car je suis vraiment au tout debut de Perl,du moins qd j'ai le temps d'apprendre...J'ai tente d'utiliser le programme corrige que j'ai renomme parse_genBank2, sur un fichier contenant tout les genomes que j'ai appele all_genBank2, j'ai mis le programme en .pl dans un meme dossier que all_genBank2, j'ai lance le terminal,j'ai fais mkdir data et perl parse_genBank2.Mais rien ne s'est produit,je suppose que j'ai fait une connerie quelquepart,je n'ai pas cree a la main les different dossier,ca peut venir de la,mais comment utilise FileHandle dans ce cas?
Merci et desole,c'est vrai que je suis lent a comprendre...
Merci de ton aide
A bientot"

En fait je bosse sur mac donc j'ai un terminal que je peux utiliser directement.J'ai deja le module FileHandle ds ce terminal.Ensuite ca serait comment lancer le programme,car qd je fais la manipes decrites auparavant,ca ne marche pas...Tu as une idee?

**Jasmine80** · 06/11/2008, 14h10

As-tu bien modifié cette partie de mon script?

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
# le path du fichier dans une variable
my $dir = 'P:/Perl/scripts2/Test/';
my $genbank = "all_GenBank.txt";

Aucun message d'erreur?

**guihzmo** · 06/11/2008, 14h18

Ok donc j'ai bien modifie le deuxieme en le remplacant par genBank2 mais pas le 1er puisque j'avais fait mkdir data avant...Je dois le remplacer par le dossier data que j'ai cree avant non?
Pas de message d'erreur non...

**Jasmine80** · 06/11/2008, 14h33

Si tu n'as aucun message d'erreur c'est donc que la commande suivante fonctionne bien :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
# j'ouvre le fichier (||) ou je meurs
open (FILE, $dir.$genbank) || die $!;

... il trouve bien ton fichier

Par contre

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 
	# quand on toutes les informations
	if(($definition)&&($product)&&($protein_id)&&($start)&&($end)&&($start_cds)){
		# je crée le fichier de sortie
		my $fs = FileHandle->new('>'.$dir.$definition.'/'.$product.'.txt');

Si tu n'as pas modifier le contenu de ma variable $dir ... le programme ne doit pas être très content, il essaie de créer un fichier dans un répertoire qui n'existe pas...
Par contre, tu n'as pas de message d'erreur
... donc ton programme ne rentre jamais dans la boucle. Conclusion : toutes les informations ne sont pas trouvées.

La meilleure chose à faire est que tu essaies de comprendre ce script et que tu regardes quelles informations ne sont pas récupérées (utilise des print). Pour cela tu dois comprendre les expressions régulières et voir en quoi le fichier que tu utilises est différent du mien (sur lequel ce script fonctionne).

Debutant en Perl.Probleme de programmation

Bioinformatique Perl

Discussions similaires

Partager

Partager