Discussion :

[zaboug]

Bonjour à tous,

voilà, j'ai des listes de promoteurs au format fasta, et je dois chercher dedans des motifs.

En fait, il s'agit de LOGO au départ, c'est à dire d'une image de ce type là : avec différentes bases possibles pour chaque position.

Du coup, je pensais utiliser des expressions régulières pour rechercher ces motifs dans mes promoteurs. Je sais comment récupérer la liste des motifs qui matchent, mais je ne sais pas la manière de récupérer leur position dans ma séquence.

Je n'ai pas encore commencé à coder, je commence par réfléchir à la meilleure manière de faire, donc toute idée sera la bienvenue

[Jasmine80]

Regarde les modules Bio::Seq, Bio::Tools::IUPAC, Bio::Grep ça devrait t'aider (peut-être pas dans ce cas-ci mais de façon générale si tu as l'habitude de manipuler des séquences d'ADN). Pour le fichier fasta, ouvre le avec le module Bio::SeqIO


Exemple de 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
#!/usr/bin/perl/
 
 
use strict;
use warnings;
 
 
use Bio::Seq;
use Bio::Tools::IUPAC;
 
 
my $ambiseq = Bio::Seq->new(-seq => 'atcgMtgatagcRcgtc', -alphabet => 'dna');
my $stream  = Bio::Tools::IUPAC->new(-seq => $ambiseq);
 
my @primer_list;
while (my $uniqueseq = $stream->next_seq()) {
	push @primer_list, $uniqueseq->seq;
}
 
my $rx = join '|', @primer_list;
print "\nrx : $rx\n\n";
 
 
my $seq = 'cccccATCGCTGATAGCACGTCcggggggggatcgatgatagctcATCGCTGATAGCGCGTCgatgatagctcgtctttATCGCTGATAGCGCGTC';
 
 
# primer start-end postions
while ($seq =~ m/($rx)/gi){
	print "$1\t$-[0]\t$+[0]\n";
}

sortie :

rx : ATCGATGATAGCACGTC|ATCGCTGATAGCACGTC|ATCGATGATAGCGCGTC|ATCGCTGATAGCGCGTC

ATCGCTGATAGCACGTC 5 22
ATCGCTGATAGCGCGTC 45 62
ATCGCTGATAGCGCGTC 79 96

Vu que tu arrives à récupérer la liste de tes motifs, il te suffit de créer la regexp correspondante (si possible en commençant par les motifs les plus probables)


nb :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/ATGGT|ATCGT/

équivaut à

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/AT[GC]GT/

J'avais testé les performances de ces 2 regexp et la première était la plus rapide mais ça dépend peut-être du cas.

[zaboug]

Regarde les modules Bio::Seq, Bio::Tools::IUPAC, Bio::Grep ça devrait t'aider (peut-être pas dans ce cas-ci mais de façon générale si tu as l'habitude de manipuler des séquences d'ADN). Pour le fichier fasta, ouvre le avec le module Bio::SeqIO

Bah en fait, j'ai pas l'habitude de manipuler les séquences d'ADN : c'est la première fois que je le fais, et sans doute la dernière vu que mon contrat se termine en septembre

C'est d'ailleurs pour ça que j'ai d'abord pensé à utilisé les Regexp avant de penser qu'il y avait sans doute des modules existant pour ça.

Vu que tu arrives à récupérer la liste de tes motifs, il te suffit de créer la regexp correspondante (si possible en commençant par les motifs les plus probables)
nb :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/ATGGT|ATCGT/

équivaut à

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/AT[GC]GT/

J'avais testé les performances de ces 2 regexp et la première était la plus rapide mais ça dépend peut-être du cas.

Je n'ai encore rien codé du tout, je suis pour l'instant en phase de trouver le meilleur moyen d'arriver à ce que je veux.
Du coup, si je comprends bien, le script que tu me proposes permets à la base de chercher une liste de primer dans une séquence. Il suffira donc que je l'adapte en changeant la liste de primer par la liste des regexps correspondant à mes motifs. C'est bien ça?

J'avais déjà écrit mes regexp avec des crochets, si je comprends bien l'utilisation du pipe permet de définir les différentes possibilités de motifs, plutôt que de définir les différentes possibilités de lettre à chaque position?
Mais du coup, sur un motif de 8 bases, avec 2 ou 3 possibiltés pour quasiment chaque base, le nombre de possibilité différentes est énorme Et ça va pas être trivial d'être sur de pas en oublier
Du coup, je suis pas sur que ça soit adapté ici...

[Jasmine80]

Du coup, si je comprends bien, le script que tu me proposes permets à la base de chercher une liste de primer dans une séquence. Il suffira donc que je l'adapte en changeant la liste de primer par la liste des regexps correspondant à mes motifs. C'est bien ça?

Oui, exactement. Sinon, Bio::Grep est un module permettant la recherche de motifs dans des séquences, mais je suis sous Windows et je n'ai pas pu l'installer. Donc, quand je dois faire cela, j'utilise simplement des regexp.

J'avais déjà écrit mes regexp avec des crochets, si je comprends bien l'utilisation du pipe permet de définir les différentes possibilités de motifs, plutôt que de définir les différentes possibilités de lettre à chaque position?

Oui et ça permet d'être plus précis

par exemple

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/at[gc]cc[ga]/

sera différent de :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

m/atgccg|atccca/

car le nombre de motifs possibles via la première regexp est de 4 et non de 2. Il faut donc faire attention aux crochets et s'assurer que ça correspond bien à ce que l'on veut.

Mais du coup, sur un motif de 8 bases, avec 2 ou 3 possibiltés pour quasiment chaque base, le nombre de possibilité différentes est énorme Et ça va pas être trivial d'être sur de pas en oublier
Du coup, je suis pas sur que ça soit adapté ici...

Dans ton cas, si ce que tu récupères n'est pas une liste de motifs mais est une liste de nucléotides possibles par position, l'utilisation de crochets est préférable. Ne t'inquiète pas pour ce qui est des performances, perl est très rapide avec les regexp.

[zaboug]

Dans ton cas, si ce que tu récupères n'est pas une liste de motifs mais est une liste de nucléotides possibles par position, l'utilisation de crochets est préférable. Ne t'inquiète pas pour ce qui est des performances, perl est très rapide avec les regexp.

En fait, le but est de récupérer dans une liste de promoteur les séquences qui matchent avec mon motif, et leur position dans la séquence.

Par Exemple, voici une des Regexp que j'ai écrite :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
m/[GAT][GA]G[GT][CAT][GTC][GC][GAC]/

Cette regexp correspond à un logo qui montre qu'il y a soit un G, soit un A, soit un T en première position, soit un G, soit un A en deuxième position, un G en troisième position, etc...

Imaginons maintenant que l'un de mes promoteur soit ainsi :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
my $seq = AGGTCTGGATGCGTAGAGTTTGGTTGCGT;

J'aimerais que le programme renvoie un truc du genre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
Le motif 1 a été trouvé dans seq1 aux positions suivantes:
1 : AGGTCTGG
15 : GAGTTTGG

Voilà, c'était juste pour bien définir l'objectif.

Maintenant, je pense pouvoir me débrouiller avec ton script et tes conseils

[zaboug]

Je viens juste de voir lamanière dont tu récupères les positions :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
# primer start-end postions
while ($seq =~ m/($rx)/gi)
{
	print "$1\t$-[0]\t$+[0]\n";
}

ça marche, c'est indéniable (je viens de tester ton script ), mais peux tu m'expliquer le fonctionnement (ou la doc qui le dit) des signes $-[0] et $+[0]?

Je ne les trouve pas dans mon tutoriel de référence