récupérer une sous-séquence

Version imprimable

Voir 40 message(s) de cette discussion en une page

25/11/2010, 14h16
Jasmine80

récupérer une sous-séquence

Code:

my $sequence = 'ATC.GATGAT....ACAGTAGATA..CAGATATG..TTCGCG...ATATAGGCAAG...ATGGATA.CCAGTA.T';

Problème :

A partir du Xième caractère de la séquence X = 30 (2ème A de CAGATATG)
Récupérer N nucléotides de part et d'autre N = 5

Résultat attendu TA..CAGATATG..T

Quelle est la manière la plus simple de procéder?

Merci pour votre aide,
25/11/2010, 14h36
djibril

Avec un substr, non ?

Citation:

Envoyé par djibril

Avec un substr, non ?

Je ne sais pas j'ai commencé quelque chose de compliqué :

Code:

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
 
my @sequence_list = split (//, $sequence);
 
my $x = 30;
my $n = 5;
 
# $x - 1 pour avoir l'indice de l'array
$x --;
 
 
my $subseq .= $sequence_list[$x];
 
 
my $ok = 0;
 
 
# récupération de n nucléotides à droite à partir de $xième
while ($ok < $n){
 
	# on progresse 1 à 1
	$x ++;
 
	if ($sequence_list[$x] =~ m/[ATCG]/i ){		
 
		$ok ++;
		$subseq .= $sequence_list[$x];
	}
 
}

25/11/2010, 14h45
Jasmine80

Peut-on dans une expression régulière donner la position? en utilisant $* ?

Code:

=~ [\w\.*\w\.*\w\.*\w\.*\w\.*[\w\.]\.\w\.*\w\.*\w\.*\w\.*\w]

Récupérer 5 lettres à gauche et 5 à droite en disant que la lettre rouge (ou le point) est à la 30ième position

... le problème, c'est que le nombre de lettres à récupérer est une variable $n

Code:

1
2
3
4
5
6
7
my $sequence = 'ATC.GATGAT....ACAGTAGATA..CAGATATG..TTCGCG...ATATAGGCAAG...ATGGATA.CCAGTA.T';
my $motif = 'CAGATATG';
my $N = 5;
if ( my ($avant, $apres) = $sequence =~ m/(.{$N})$motif(.{$N})/ ) {
  print "Avant : $avant\n";
  print "Apres : $apres\n";
}

Citation:

Avant : ATA..
Apres : ..TTC

25/11/2010, 15h01
djibril
Je ne sais pas si j'ai bien saisi car je ne comprends pas ton résultat obtenu par rapport à ton énoncé. Si tu veux juste 5 caractères avant le X=30 et 5 après, pourquoi ne pas utiliser un subtr comme ceci :
Code:

1 2 my $X = 30; print substr $sequence,$X-5, 2*$N;
Citation:

.CAGATATG.
25/11/2010, 16h28
Philou67430

Je suis d'accord avec djibril, substr est la meilleur solution.
L'équivalent regexp pourrait être :

Code:

/.{15}(.{10})/

mais il sera forcément moins performant.
26/11/2010, 07h09
Jasmine80

Citation:

Envoyé par djibril

Je ne sais pas si j'ai bien saisi car je ne comprends pas ton résultat obtenu par rapport à ton énoncé. Si tu veux juste 5 caractères avant le X=30 et 5 après

Je ne veux pas 5 caractères, je veux 5 lettres (A, T, C ou G) quelques soit le nombre de points intermédiaires.

Voici un programme faisant ce que je veux, mais il devrait y avoir moyen de faire un meilleur code :

Code:

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
 
#!/usr/local/bin/perl
 
use strict;
use warnings;
 
 
my $sequence = 'ATC.GATGAT....ACAGTAGATA..CAGATATG..TTCGCG...ATATAGGCAAG...ATGGATA.CCAGTA.T';
 
=h
A partier du Xième caractère (2ème A de CAGATATG)		X = 30
Récupérer N nucléotides de part et d'autre			N = 5
 
Résultat TA..CAGATATG..T
 
 
=cut
 
 
my @sequence_list = split (//, $sequence);
 
my $x = 30;
# $x - 1 pour avoir l'indice de l'array
$x --;
 
my $n = 5;
my $ok = 0;
 
my $x2 = $x;
 
 
my $subseq .= $sequence_list[$x];
 
 
 
# récupération de n nucléotides à droite à partir de $xième
while ($ok < $n){
 
	# on progresse 1 à 1
	$x ++;
 
	if ($sequence_list[$x] =~ m/[ATCG]/i ){		
 
		$ok ++;
		$subseq .= $sequence_list[$x];
	}
 
}
 
$ok = 0;
 
 
# récupération de n nucléotides à gauche à partir de $xième
while ($ok < $n){
 
	# on progresse 1 à 1
	$x2 --;
 
	if ($sequence_list[$x2] =~ m/[ATCG]/i ){		
 
		$ok ++;
		$subseq = $sequence_list[$x2].$subseq ;
 
		print "$x2 => $sequence_list[$x2]\n";
	}
 
}
 
 
 
print "$subseq\n";

26/11/2010, 10h09
Philou67430
Je ne comprends pas Jasmine. Tu dis cela

Citation:

Envoyé par Jasmine80

Je ne veux pas 5 caractères, je veux 5 lettres (A, T, C ou G) quelques soit le nombre de points intermédiaires.

et tu attends ce résultat :
Citation:
Envoyé par Jasmine80

Code:

1 2 3 4 5 6 ... =h A partier du Xième caractère (2ème A de CAGATATG) X = 30 Récupérer N nucléotides de part et d'autre N = 5 Résultat TA..CAGATATG..T
Pourrais-tu préciser, car j'ai une autre solution, mais il faudrait savoir si :
- les X caractères représentent X lettres ou X caractères quelconques (incluant le .)
- les N nucléotides peuvent-elle contenir des . comme dans ton exemple (donc ce serait des caractères et non des lettres) ?
26/11/2010, 11h17
Jasmine80
Merci de t'intéresser à mon problème

Citation:

Envoyé par Philou67430

Pourrais-tu préciser, car j'ai une autre solution, mais il faudrait savoir si :
- les X caractères représentent X lettres ou X caractères quelconques (incluant le .)

X lettres sans points

Citation:

Envoyé par Philou67430

- les N nucléotides peuvent-elle contenir des . comme dans ton exemple (donc ce serait des caractères et non des lettres) ?

En effet, je ne suis pas claire car il manque une étape à mon résulat, il faut enlever les points
Code:

1 2 $Resultat = 'TA..CAGATATG..T'; $Resultat =~ s/\.//g;
On obtient donc :
TACAGATATGT
54321012345

Est-ce plus clair ainsi?

Le programme que j'ai posté fait ce travail là mais je le trouve lourd.

Merci
26/11/2010, 11h22
Philou67430

Il reste une chose pas claire : 30 caractères ATCG à partir du début ne correspond pas au 2e A de CAGATATG, mais au 30e caractère incluant les points (d'où ma question).

Si je considère ce que tu me dis, le résultat que tu attends n'est donc pas celui que tu annonces, et cet uniligne devrait faire ce que tu attends :

Code:

$ perl -e '($X, $N) = (30, 5);my $sequence = "ATC.GATGAT....ACAGTAGATA..CAGATATG..TTCGCG...ATATAGGCAAG...ATGGATA.CCAGTA.T";$s = join "", @{[$sequence =~ /([ATCG])/g]}[($X-$N)..($X+$N-1)];print "s=$s\n" '

Merci pour ton aide

Citation:

Envoyé par Philou67430

Il reste une chose pas claire : 30 caractères ATCG à partir du début ne correspond pas au 2e A de CAGATATG, mais au 30e caractère incluant les points (d'où ma question).

C'est au 30ième caractères (incluant le points) mais on récupère de part et d'autre 5 nucléotides (lettres uniquement).

Je ne peux pas faire un programme uniligne car j'ai plusieurs séquences dans un fichier à traiter. J'ai simplifié le problème en donnant un exemple plus simple.
Code:

1 2 3 4 5 6 7 8 9 # fichier d'entrées my $infile = 'P:/Theorie/Driss/PAF_probes/fasta_poly/consensus80_sub.fsa'; my $in = Bio::SeqIO->new(-file => $infile , '-format' => 'fasta'); while ( my $seq = $in->next_seq() ) { # avec $seq->seq étant la séquence

26/11/2010, 11h42
Philou67430

L'uniligne n'était là qu'à titre d'exemple... il faut bien sur l'adapter.
Et ta dernière réponse va à l'encontre de ce que tu as dis plus haut :

Citation:

Envoyé par Jasmine80

Citation:

Envoyé par Philou67430

Pourrais-tu préciser, car j'ai une autre solution, mais il faudrait savoir si :
- les X caractères représentent X lettres ou X caractères quelconques (incluant le .)

X lettres sans points

Donc mon exemple uniligne n'est pas correct.
26/11/2010, 11h48
Jasmine80

Je ne pense pas m'être contredite, je vais essayer de réexpliquer plus clairement :

Quand on compte la position 30, on compte avec les points
Quand on recherche 5 caractères, on compte sans les points

Donc comme j'ai dit :

Citation:

C'est au 30ième caractères (incluant le points) mais on récupère de part et d'autre 5 nucléotides (lettres uniquement).

Qu'est-ce qui ne concorde pas?
26/11/2010, 11h50
Philou67430

L'uniligne qui donne le bon résultat (à adapter en récupérant l'affectation de la variable $s) :

Code:

$ perl -e '($X, $N) = (30, 5);my $sequence = "ATC.GATGAT....ACAGTAGATA..CAGATATG..TTCGCG...ATATAGGCAAG...ATGGATA.CCAGTA.T";$s = join "", @{[substr($sequence, 0, $X-1) =~ /([ATCG])/g]}[-5..-1], @{[substr($sequence, $X-1) =~ /([ATCG])/g]}[0 .. 5];print "s=$s\n" '

Principe :
On découpe la séquence en deux morceaux, celui avant le caractère X, et celui après.
Pour chaque morceau, on récupère avec une regexp les ATCG dans un tableau anonyme dont on prend :
- pour la première moitié de la séquence, les 5 derniers éléments
- pour la deuxième moitié de la séquence, les 6 premiers éléments.
26/11/2010, 11h51
Philou67430

Citation:

Envoyé par Jasmine80

Qu'est-ce qui ne concorde pas?

Oublions, c'est clair à présent ;)
(je n'ai sans doute pas été assez clair moi même quand j'ai demandé des précisions).
26/11/2010, 11h57
Jasmine80

Merci, je vais y regarder et je poserai des questions si besoin
26/11/2010, 12h08
Philou67430

Je serais sans doute absent cet après-midi.
Mais j'ai testé l'uniligne, qui retourne bien ce que tu attends.
26/11/2010, 12h10
Jasmine80

Code:

@{[substr($sequence, 0, $X-1) =~ /([ATCG])/g]}[-5..-1]

Dans cette partie, on prend la sous-séquence de 0 jusqu'à X-1, on récupère un A, T, C ou G mais je ne comprends pas pourquoi de l'indice -5 à -1?

Voir 40 message(s) de cette discussion en une page