expression régulière - selection information

**Isabella83** · 18/04/2012, 14h53

Bonjour à tous,
Je suis confrontée à un problème que je n'arrive pas à résoudre;
j'ai un fichier qui ressemble à cela :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
>FBgn0034742 type=gene; loc=2R:complement(18487910..18493140); ID=FBgn0034742; name=CG4294; dbxref=FlyBase:FBan0004294,FlyBase:FBgn0034742,FlyBase_Annotation_IDs:CG4294,GB:AA202210,GB:AA263903,GB:AW941631,UniProt/TrEMBL:Q9W238,GB_protein:AAF46861,INTERPRO:IPR019607,EntrezGene:37579,InterologFinder:37579,BIOGRID:63195,DroID:FBgn0034742,DRSC:FBgn0034742,FLIGHT:FBgn0034742,FlyAtlas:CG4294-RA,FlyMine:FBgn0034742,GenomeRNAi:37579,modMine:FBgn0034742; derived_computed_cyto=58F1-58F1%3B Limits computationally determined from genome sequence between @P{lacW}l(2)k13211<up>k13211</up>@%26@P{EP}EP827@ and @P{PZ}l(2)rG270<up>rG270</up>@; gbunit=AE013599; MD5=de181d96921fe601ef2dbf64c2181d6a; length=5231; release=r5.44; species=Dmel; 
>FBgn0051637 type=gene; loc=2L:6498642..6526996; ID=FBgn0051637; name=CG31637; dbxref=FlyBase:FBgn0051637,FlyBase:FBan0031637,FlyBase_Annotation_IDs:CG31637,GB_protein:AAF52398,FlyBase:FBgn0031827,FlyBase:FBgn0031828,FlyBase:FBgn0062239,GB:AA817254,GB:AI061950,GB:AW943257,GB:AX093983,GB:AY058647,GB_protein:AAL13876,UniProt/TrEMBL:Q9VMC3,INTERPRO:IPR000863,EntrezGene:33914,InterologFinder:33914,BIOGRID:60070,DPIM:FBgn0051637,DroID:FBgn0051637,DRSC:FBgn0051637,FLIGHT:FBgn0051637,FlyAtlas:CG31637-RA,FlyMine:FBgn0051637,GenomeRNAi:33914,modMine:FBgn0051637; derived_computed_cyto=26D9-26E1%3B Limits computationally determined from genome sequence between @P{EP}Sec61α<up>EP2180</up>@ and @P{lacW}Ate1<up>k10809</up>@; gbunit=AE014134; MD5=557958edbe7c9a6a3fb874b35a21df39; length=28355; release=r5.44; species=Dmel; 
>FBgn0085370 type=gene; loc=2L:complement(18532728..18571648); ID=FBgn0085370; name=Pde11; dbxref=FlyBase_Annotation_IDs:CG10231,GB_protein:AAF53676,GB_protein:AAF53675,FlyBase_Annotation_IDs:CG34341,FlyBase:FBgn0085370,FlyBase_Annotation_IDs:CG15159,GB_protein:AAM52774,GB:CZ481948,FlyBase:FBan0010231,UniProt/Swiss-Prot:Q9VJ79,GB:BG635636,GB:CZ489023,GB:CZ489022,GB:CZ473163,GB:CZ478706,INTERPRO:IPR003607,INTERPRO:IPR002073,INTERPRO:IPR003018,GB:AY122262,GB:CZ481559,FlyBase:FBgn0032686,FlyBase:FBgn0032687,FlyBase:FBan0015159,EntrezGene:35107,INTERPRO:IPR023088,INTERPRO:IPR023174,GB_protein:ADV37087,GB_protein:ADV37086,InterologFinder:35107,BIOGRID:61102,DroID:FBgn0085370,DRSC:FBgn0085370,FLIGHT:FBgn0085370,FlyAtlas:CG15159-RA;CG10231-RA,FlyMine:FBgn0085370,GenomeRNAi:35107,modMine:FBgn0085370; derived_computed_cyto=36F6-36F6%3B Limits computationally determined from genome sequence between @P{lacW}Aac11<up>k06710</up>@ and @P{EP}CG10413<up>EP2164</up>@; gbunit=AE014134; MD5=0979ee8fe04ac9fcf62386a2916a9a26; length=38921; release=r5.44; species=Dmel;

Donc l'information que je souhaite récuperer se trouve toujours dans la "variable" dbxref, après "FlyBase_Annotation_IDs:" (en gras) ... mais comme dans l'exemple, cette info ne se trouve pas toujours au meme moment dans la variable, je ne peux donc pas utiliser le morceau de code que j'ai ecris ci dessous ....

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
while ( my $ligne = <$inp1> ) {
	chomp $ligne;
	if ( $ligne =~ m{^>} ) {
		my ($type, $loc,$ID,$name,$dbxref,$other,$gbunit,$MD5,$length,$release,$species ) = split /;/, $ligne;
		my ($flybase,$flybase2,$CG,undef)=split /,/, $dbxref;
		$ID   =~ s{ *ID=}{};
		$loc   =~ s{ *loc=}{};
		$name =~ s{ *name=}{};
		$CG =~ s{ *}{FlyBase_Annotation_IDs:};
		my ($chr,$coor)=split /:/,$loc;
		print ">$ID;$name;$CG;chr$chr\n";
 
	}

Quelqu'un pourrait m'aider svp ?

**Philou67430** · 18/04/2012, 15h18

Pourquoi ne par travailler avec une tableau de hashage :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
while ( my $ligne = <$inp1> ) {
  chomp $ligne;
  if ( $ligne =~ m{^>} ) {
  my %data = map { split /=/, $_ } split /;/, $ligne;
  my ($chr, $coor) = split /:/, $data{loc};
  my ($flybase,$flybase2,$CG)=split /,/, $data{dbxref};
  print ">$data{ID};$data{name};$data{CG};chr$chr\n";
}

**Isabella83** · 18/04/2012, 15h23

Je ne peux pas faire :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

my ($flybase,$flybase2,$CG)=split /,/, $data{dbxref};

Car dans la variable dbxref, $flybase,$flybase2,$CG ne sont pas toujours dans cet ordre là (cf mon exemple ci dessus); $CG (que je veux récuperer) n'est pas tout le temps en 3é position, mais il est toujours après "FlyBase_Annotation_IDs:" dans dbxref ...

**Philou67430** · 18/04/2012, 15h36

Alors procède comme j'ai fait pour le niveau supérieur, avec %data :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
my %dbxref;
foreach my $data (split /,/, $dbxref) {
  my ($key, $val) = split /:/, $data;
  $dbxref{$key} = [] if !exists $dbxref{$key};
  push $dbxref{$key}, $val;
}

J'ai utilisé un tableau pour les éléments de %dbxref, car il peut y avoir plusieurs valeurs différentes pour la même clé (plusieurs Flybase, Flybase_annotation_IDs, ...).

**Isabella83** · 18/04/2012, 16h09

Je ne suis pas sûre d'avoir bien compris, mais j'ai fait comme ceci :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
while ( my $ligne = <$inp1> ) {
	chomp $ligne;
	if ( $ligne =~ m{^>} ) {
		my ($type, $loc,$ID,$name,$dbxref,$other,$gbunit,$MD5,$length,$release,$species ) = split /;/, $ligne;
		#my %data = map { split /=/, $_ } split /;/, $ligne; # creer un hash avec $data tous les x de x=nianiania
 
		foreach my $data (split /,/, $dbxref) {
  			my ($key, $val) = split /:/, $data;
  			$dbxref{$key} = [] if !exists $dbxref{$key};
  			push $dbxref{$key}, $val;
		}
	}
}

J'ai l'erreur suivante que je ne comprends pas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
Type of arg 1 to push must be array (not hash element) at entete_fasta.pl line 28, near "$val;"
Execution of entete_fasta.pl aborted due to compilation errors.

J'ai modifié par :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

push @{$dbxref{$key}}, $val;

Et si j'ai bien compris, %dbxef contient toutes les valeurs, dont "FlyBase_Annotation_IDs" et sa valeur, mais comment afficher cette valeur la et pas une autre ?
avec un

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
while( my ($k,$v) = each(%dbxref) ) {
   print "$v\n" if($k eq 'FlyBase_Annotation_IDs')
}

**Philou67430** · 18/04/2012, 17h13

Envoyé par Isabella83

J'ai modifié par :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

push @{$dbxref{$key}}, $val;

Ce qui est très bien, désolé pour l'erreur, je n'ai pas testé avant de poster.

Et si j'ai bien compris, %dbxef contient toutes les valeurs, dont "FlyBase_Annotation_IDs" et sa valeur, mais comment afficher cette valeur la et pas une autre ?
avec un

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
while( my ($k,$v) = each(%dbxref) ) {
   print "$v\n" if($k eq 'FlyBase_Annotation_IDs')
}

Il y a plus simple : concaténer (ou faire toute autre opération d'agglomération) toutes les valeurs du tableau référencé par $dbxref{FlyBase_Annnotation_IDs} :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

print join ",", @{$dbxref{FlyBase_Annnotation_IDs}};

**Isabella83** · 18/04/2012, 17h33

Finalement, mon code est comme ceci :

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
GetOptions("fasta=s" => \$fasta_file, "file=s" => \$file_file, "out=s" => \$output); 
open(my $inp1,'<',$fasta_file) or die "$fasta_file : $!\n\n";
open(my $inp2,'<',$file_file) or die "$file_file : $!\n\n";
open(my $out,'>',$output) or die "$output : $!\n\n";
 
while ( my $ligne = <$inp1> ) {
	chomp $ligne;
	if ( $ligne =~ m{^>} ) {
		my ($type, $loc,$ID,$name,$dbxref,undef ) = split /;/, $ligne;
		$ID   =~ s{ *ID=}{};
		#print "$ID\n";
		$loc   =~ s{ *loc=}{};
		$name =~ s{ *name=}{};
		my ($chr,$coor)=split /:/,$loc;
		foreach my $data (split /,/, $dbxref) {
  			my ($key, $val) = split /:/, $data;
  			$dbxref{$key} = [] if !exists $dbxref{$key};
  			push (@{$dbxref{$key}}, join(';',$val,$ID,$name,$chr));
		}
	}
}
 
foreach my $k (keys(%dbxref)){
	foreach my $v (@{$dbxref{$k}}){
		if($k eq 'FlyBase_Annotation_IDs'){
			print "$v\n";
			my ($symbol,$FBgn,$name,$chr) = split /;/, $v;
			#print "$FBgn\n";
			$hash{$FBgn}->{'value'} = join (';',$symbol,$name,$chr);
		}
	}
}
 
 
 
while ( <$inp2> ) {
	chomp $_;
	#print "$_\n";
	if ($_ =~ m{^>} ) {
		my ($type_c,$loc_c,$ID_c,undef) = split /;/, $_;
		$ID_c =~ s{ *ID=}{};
		#print "$ID_c\n";
		print {$out}">$ID_c;$hash{$ID_c}->{'value'}\n"	
	}
	else{
		print {$out} "$_\n";
	}		 
}

Je n'ai pas trouvé plus simple pour aficher toutes les valeurs dont j'ai besoin ...
Cependant, pour certaines valeurs, j'ai une erreur, aucune valeur dans "FlyBase_Annotation_IDs" n'est retournée alors qu'il y a bien les data, j'ai mis en dessous les lignes qui posent problème :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
>FBgn0064225 type=gene; loc=2L:complement(22427533..22429419); ID=FBgn0064225; name=RpL5; dbxref=FlyBase_Annotation_IDs:CG17489,FlyBase:FBan0017489,FlyBase:FBgn0064225,GB_protein:ACZ94330,GB_protein:EAA46016,GB_protein:EAA46019,FlyBase:FBgn0040008,FlyBase:FBgn0040061,GB:AABU01002768,GB_protein:EAA46016,GB_protein:EAA46017,GB_protein:EAA46018,GB_protein:EAA46019,GB_protein:EAA46020,GB:AF195190,GB_protein:AAF27819,GB:AY071305,GB_protein:AAL48927,GB:BI236965,UniProt/TrEMBL:Q9NIU2,UniProt/Swiss-Prot:Q9W5R8,INTERPRO:IPR005484,INTERPRO:IPR005485,EntrezGene:3355124,UniProt/TrEMBL:Q6NL81,InterologFinder:3355124,BIOGRID:78249,DPIM:FBgn0064225,DroID:FBgn0064225,DRSC:FBgn0064225,FLIGHT:FBgn0064225,FlyAtlas:CG17489-RE,FlyMine:FBgn0064225,GenomeRNAi:3355124,modMine:FBgn0064225; derived_computed_cyto=40F7-40F7; MD5=a2117b1dfb8081bd9271f7d178c10602; length=1887; release=r5.44; species=Dmel; 
>FBgn0263750 type=gene; loc=3R:5181678..5183403; ID=FBgn0263750; name=CG43675; dbxref=FlyBase_Annotation_IDs:CG43675,FlyBase:FBgn0263750,GB_protein:AAN13419,GB_protein:AAO41524,GB_protein:AAZ52520,FlyBase:FBgn0053936,FlyBase:FBgn0037681,FlyBase:FBgn0053188,UniProt/TrEMBL:Q8INP3,UniProt/TrEMBL:Q4AB40,UniProt/TrEMBL:Q8T3W4,INTERPRO:IPR000058; derived_computed_cyto=85D11-85D11; MD5=2158e6db49af7317d56cdede36163fda; length=1726; release=r5.44; species=Dmel; 
>FBgn0260441 type=gene; loc=3L:13016456..13017862; ID=FBgn0260441; name=RpS12; dbxref=FlyBase_Annotation_IDs:CG11271,FlyBase:FBgn0036339,FlyBase:FBan0011271,GB_protein:AAN11845,EntrezGene:39480,FlyBase:FBgn0011809,FlyBase:FBgn0064825,GB:AA820275,GB:AI455377,GB:AQ026389,GB:AY058531,GB_protein:AAL13760,GB:BI588615,GB:BT001803,GB:CZ470567,GB:X89659,GB_protein:CAA61806,UniProt/Swiss-Prot:P80455,INTERPRO:IPR000530,INTERPRO:IPR004038,FlyBase:FBgn0260441,FlyBase:FBgn0014027,InterologFinder:39480,BIOGRID:64826,DroID:FBgn0260441,DRSC:FBgn0260441,FLIGHT:FBgn0260441,FlyMine:FBgn0260441,GenomeRNAi:39480,modMine:FBgn0260441; derived_computed_cyto=69F5-69F5; gbunit=AE014296; MD5=82c5872695ceb5b7370f6e7b824d5ecb; length=1407; release=r5.44; species=Dmel; 
>FBgn0263749 type=gene; loc=3R:5165938..5188666; ID=FBgn0263749; name=CG43674; dbxref=FlyBase_Annotation_IDs:CG43674,FlyBase:FBgn0263749,GB_protein:AAF54360,GB_protein:AAF54361,GB_protein:AAN71487,GB:CZ466470,GB:CZ467045,GB:CZ467788,GB:CZ469653,GB:CZ469890,GB:CZ469891,GB:CZ469929,GB:CZ469935,GB:CZ472137,GB:CZ474194,GB:CZ475752,GB:CZ476341,GB:CZ477980,GB:CZ478207,GB:CZ479108,GB:CZ483129,GB:CZ483864,GB:CZ484048,GB:CZ484181,GB:CZ485025,GB:CZ485612,GB:CZ485940,GB:CZ486378,GB:CZ487202,FlyBase:FBgn0053936,FlyBase:FBgn0040535,FlyBase:FBgn0053188,FlyBase:FBgn0064858,UniProt/TrEMBL:Q9VHF4,INTERPRO:IPR000058,INTERPRO:IPR002653; derived_computed_cyto=85D11-85D11; MD5=4f64d7a7130079932f6d642d229907dd; length=22729; release=r5.44; species=Dmel;

**Philou67430** · 19/04/2012, 13h50

Attention, le fait de n'avoir qu'un hash %dbxref pour toutes les séquences du fichier fasta fait que chaque nouvelle séquence complète ou supprime les éléments de l'ancienne.
Il faut remplir utilise un %dbxref local à la boucle sur les $FBgn qui initialise %hash, et stocker ce hash %dbxref dans l'élément $hash{$FBgn} :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$hash{$FBgn}->{dbxref} = { %dbxref };

Je ne suis pas sur d'être assez clair, mais pour l'être un peu plus, il faudrait la totalité du script.

expression régulière - selection information

Langage Perl

Discussions similaires

Partager

Partager