Discussion :

[Isabella83]

Bonjour à tous,
Je suis débutante en python ( je code en perl habituellement), mais je dois utiliser scipy et donc apprendre python !

Alors, comme exemple de ce que je souhaite faire :

j'ai un fichierA avec des coordonnées :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
chromosome start stop
chrA 1114	1121

qui, en fait, "clusterise" les coordonnées du fichier B ci dessous :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
chromosome start stop count
chrA	1114	1115	2
chrA	1117	1118	2
chrA	1119	1120	1
chrA	1120	1121	1

Et en fait, je voudrais pour chaque cluster dans le fichier A, créer une liste x contenant les start de toutes les coordonnées du fichier B contenu dans le cluster (sachant qu'il faut bien faire attention au chromosome), et une liste y contenant les count de chaque position du fichier B, soit dans l'exemple :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
X=[1114,1117,1119,11120]
y=[2,2,1,1]

Une fois que j'ai ca, je veux faire une interpolation, mais j'ai déjà le code qui fonctionne, il me manque juste à faire mes listes X et Y en parcourant mes fichiers !

Merci pour vos conseils !

Je ne sais pas du tout comment m'y prendre, avec perl, j'aurai fais ça avec un hash, mais en python ......

[Bulveye]

Salut,

tu peux procéder de la manière suivante:
tu crées une liste vide:
X=[]
with open("input.txt",'r') as f_in:
#ouvre ton fichier texte avec les droits de lecture

with open("output.txt",'w') as f_in:

#ouvre ton fichier texte avec les droits d'ecriture

for line in f_in:

list_line=line.split("ton separateur")

X.append(liste_line[1])

[Isabella83]

J'ai finalement 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
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
#!/usr/local/bin/python
 
import numpy as np
import matplotlib.pyplot as plt
from scipy import interpolate
 
cx = open("cDNA_count.txt", "r")
cluster = open("cluster_on_transcript.txt", "r")
 
 
 
for row in cluster: # parcours du fichier cluster
	x=[]
	y=[]
	ligne = row.strip().split('\t') 
	if len(ligne) == 0 :
		break
	else :
		trans=ligne[0]
		start=ligne[1]
		stop=ligne[2]
 
	for rows in cx : # parcours du fichier avec les cx
		lines = rows.strip().split('\t')
		if len(lines) == 0 :
			break
		else :
			chrsm=lines[0]
			startcx=lines[1]
			stopcx=lines[2]
			count=lines[3]
			if trans == chrsm and start <= startcx and startcx <= stop and start <= stopcx and stopcx <= stop:
				x.append(startcx)
				y.append(count)
 
	tck = interpolate.splrep(x,y)
	xnew = np.arange( np.int(x[0]), np.int(x[len(x)-1]), 0.1)
	ynew = interpolate.splev(xnew,tck,der=0)
	yder = interpolate.splev(xnew,tck,der=1)
	tckder = interpolate.splrep(xnew,yder)
	print interpolate.sproot(tckder)
 
 
 
cx.close()
cluster.close()

Cependant, comment faire pour que ma valeur de x et y changent à chaque ligne parcourue dans le fichier cluster ?

[Isabella83]

J'ai finalement trouvé la solution :

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/local/bin/python
 
import numpy as np
import matplotlib.pyplot as plt
from scipy import interpolate
 
 
cluster = open("cluster_on_transcript.txt", "r")
 
 
while True :
	row = cluster.readline() # parcours du fichier cluster
	print row
	if row == '' :
		break
	else :
		x=[]
		y=[]
		print x
		print y
		ligne = row.strip().split('\t') 
		trans=ligne[0]
		start=ligne[1]
		stop=ligne[2]
 
	cx = open("cDNA_count.txt", "r")
	for rows in cx : # parcours du fichier avec les cx
		if rows == '' :
			break
		else :
			lines = rows.strip().split('\t')
			chrsm=lines[0]
			startcx=lines[1]
			stopcx=lines[2]
			count=lines[3]
			if trans == chrsm and start <= startcx and startcx <= stop and start <= stopcx and stopcx <= stop:
				x.append(startcx)
				y.append(count)
	print x
	print y
 
 
	tck = interpolate.splrep(x,y)
	xnew = np.arange( np.int(x[0]), np.int(x[len(x)-1]), 0.1)
	ynew = interpolate.splev(xnew,tck,der=0)
	yder = interpolate.splev(xnew,tck,der=1)
	tckder = interpolate.splrep(xnew,yder)
	print interpolate.sproot(tckder)

qu'en pensez vous ?

[__dardanos__]

Salut Isabelle83.
Peut-on avoir de vrais fichiers cluster_on_transcript.txt et cDNA_count.txt pour se faire sa propre idée ?
Ou au moins une partie conséquente de ces fichiers ?

[mont29]

Bonsoir Isabella,

En fait, je vois deux points noirs dans ton code*:

* Tout d’abord, tu fais tes comparaisons de positions sur des chaînes de caractères, et pas des nombres*! Ça doit marcher, mais c’est une solution particulièrement fragile si les données deviennent ne serait-ce que légèrement corrompues/incohérentes, et surtout, c’est horriblement plus lent qu’une comparaison numérique*! Il faudrait donc convertir explicitement tes nombres en int, comme ceci*: trans = int(ligne[0]).

* Pour chaque ligne de ton cluster, tu reparcours et reparses tout ton fichier de “dna count”*! Alors là, si celui-ci devient un tantinet conséquent (genre 100000 lignes ou plus, avec par ex. 10000 clusters)… Pas besoin de faire un dessin (même avec le cache des fichiers de l’OS).

En fait, je lirais/parserais une seule fois le fichier DNA, au début, en stockant ses résultats dans un dict (mapping clé->valeur, équivalent python d’un hash perl, si je ne m’abuse), avec par exemple la position de début comme clé. Tant qu’on reste de l’ordre du million de lignes ça reste raisonnable…

Ou alors, si les enregistrements du fichier cluster et ceux du fichier DNA sont dans le même ordre croissant, ouvrir les deux fichiers au début, et pour chaque cluster, itérer dans les lignes du fichier DNA “juste ce qu’il faut”, c-à-d en s’arrêtant dès que le dernier chromosome du cluster est atteint. C’est probablement la solution la plus performante, même si elle est un peu plus délicate à mettre en œuvre (et présuppose une certaine organisation des données de départ).