parse fichier embl pour récup des infos

Hello,

J'aimerais pour chaque gène récuperer le accession number (Acc )et la séquence traduite (translation)
Mon problème est que j'obtiens des lignes vides!!!(correspondant aux lignes non selectionnés

>Acc:20773
MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
RINVYYNEASGGR
>Acc:H2Q1I7
MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK

[CODE]
...
FT gene complement(98074..100357)
FT /gene=ENSPTRG00000002168
FT /locus_tag="TUBB8"
FT /note="tubulin, beta 8 class VIII [Source:HGNC
FT Symbol;Acc:20773]"
FT mRNA join(complement(100232..100357),complement(99852..99960),
FT complement(99663..99773),complement(98074..99162))
FT /gene="ENSPTRG00000002168"
FT /note="transcript_id=ENSPTRT00000003967"
FT CDS join(complement(100232..100288),complement(99852..99960),
FT complement(99663..99773),complement(98105..99162))
FT /gene="ENSPTRG00000002168"
FT /translation="MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
FT RINVYYNEASGGR"
FT gene 189072..315637
FT /gene=ENSPTRG00000002229
FT /locus_tag="ZMYND11"
FT /note="Uncharacterized protein
FT [Source:UniProtKB/TrEMBL;Acc:H2Q1I7]"
FT mRNA join(189072..189393,235063..235197,271057..271216,
FT 282201..282362,297879..297956,298626..298718,
FT 300469..300556,301102..301157,301939..302016,
FT 303068..303186,307802..308009,308433..308501,
FT 309351..309623,309917..310102,313361..315637)
FT /gene="ENSPTRG00000002229"
FT /note="transcript_id=ENSPTRT00000004081"
FT CDS join(271061..271216,282201..282362,297879..297956,
FT 298626..298718,300469..300556,301102..301157,
FT 301939..302016,303068..303186,307802..308009,
FT 308433..308501,309351..309623,309917..310102,
FT 313361..313483)
FT /gene="ENSPTRG00000002229"
FT /protein_id="ENSPTRP00000003768"
FT /note="transcript_id=ENSPTRT00000004081"
FT /db_xref="RefSeq_mRNA_predicted:XM_001135863.3"
FT /db_xref="Ens_Hs_transcript:ENST00000309776"
FT /db_xref="Uniprot/SPTREMBL:H2Q1I7_PANTR"
FT /db_xref="Uniprot/SPTREMBL:K7CUR4_PANTR"
FT /db_xref="EMBL:AACZ03076941"
FT /db_xref="EMBL:GABD01004750"
FT /db_xref="EMBL:GABF01002657"
FT /db_xref="Ens_Hs_translation:ENSP00000309992"
FT /db_xref="GO:GO:0005515"
FT /db_xref="GO:GO:0005515"
FT /db_xref="Uniprot_gn_trans_name:ZMYND11-201"
FT /db_xref="goslim_goa:GO:0003674"
FT /db_xref="goslim_goa:GO:0005622"
FT /db_xref="protein_id:JAA10128.1"
FT /db_xref="UniParc:UPI000002E25A"
FT /translation="MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY
FT WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPV
FT CRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK"

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

my $seq = 0; my $sequence;   open FILE, "test" or die $!;   while (my $line =<FILE>) { if ($line =~ /Acc:(.*)\]\"/){ print ">accession number :$1 \n"; } elsif ($line =~ /^FT \/translation=\"(.*)/) { $seq = 1; my $all=$1; print "$all \n"; } elsif ( ($seq) && ($line =~ /FT ([A-Z]*)/)){ print "$1 \n"; } } close FILE;

---

Je ne comprends pas bien; le premier bloc de données représente les données obtenues, et le second bloc les données en entrée?

Et explique le problème, je ne vois pas ce que tu veux dire.

Désolé,

A partir de ce fichier embl

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

FT gene complement(98074..100357) FT /gene=ENSPTRG00000002168 FT /locus_tag="TUBB8" FT /note="tubulin, beta 8 class VIII [Source:HGNC FT Symbol;Acc:20773]" FT mRNA join(complement(100232..100357),complement(99852..99960), FT complement(99663..99773),complement(98074..99162)) FT /gene="ENSPTRG00000002168" FT /note="transcript_id=ENSPTRT00000003967" FT CDS join(complement(100232..100288),complement(99852..99960), FT complement(99663..99773),complement(98105..99162)) FT /gene="ENSPTRG00000002168" FT /protein_id="ENSPTRP00000050906" FT /note="transcript_id=ENSPTRT00000003967" FT /db_xref="RefSeq_mRNA_predicted:XM_001135050.3" FT /translation="MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE FT RINVYYNEASGGRYVPRAVLVDLEPGTMDSVRSGPFGQVFRPDNFIFGQCGAGNNWAKG FT HYTEGAELMESVMDVVRKEAESCDCLQGFQLTHSLGGGTGSGMGTLLLSKIREEYPDRI FT INTFSILPSPKVSDTVVEPYNATLSVHQLIENADETFCIDNEALYDICSKTLKLPTPTY FT GDLNHLVCATMSGVTTCLRFPGQLNADLRKLAVNMVPFPRLHFFMPGFAPLTSRGSQQY FT RALTVAELTQQMFDAKNMMAACDPRHGRYLTAAAIFRGRMPMREVDEQMFNIQDKNSSY FT FADWLPNNVKTAVCDIPPRGLKMSATFIGNNTAIQELFKRVSEQFTAMFRRKAFLHWYT FT GEGMDEMEFTEAESNMNDLVSEYQQYQDATAEEEEDEECDEEEVA" FT gene 189072..315637 FT /gene=ENSPTRG00000002229 FT /locus_tag="ZMYND11" FT /note="Uncharacterized protein FT [Source:UniProtKB/TrEMBL;Acc:H2Q1I7]" FT mRNA join(189072..189393,235063..235197,271057..271216, FT 282201..282362,297879..297956,298626..298718, FT 300469..300556,301102..301157,301939..302016, FT 303068..303186,307802..308009,308433..308501, FT 309351..309623,309917..310102,313361..315637) FT /gene="ENSPTRG00000002229" FT /note="transcript_id=ENSPTRT00000004081" FT CDS join(271061..271216,282201..282362,297879..297956, FT 298626..298718,300469..300556,301102..301157, FT 301939..302016,303068..303186,307802..308009, FT 308433..308501,309351..309623,309917..310102, FT 313361..313483) FT /gene="ENSPTRG00000002229" FT /protein_id="ENSPTRP00000003768" FT /note="transcript_id=ENSPTRT00000004081" FT /db_xref="RefSeq_mRNA_predicted:XM_001135863.3" FT /db_xref="protein_id:JAA28350.1" FT /db_xref="protein_id:JAA40243.1" FT /db_xref="UniParc:UPI000002E25A" FT /translation="MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY FT WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPV FT CRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGKDNKHPMYRRLVHSAVDVPTIQE FT KVNEGKYRSYEEFKADAQLLLHNTVIFYGADSEQADIARMLYKDTCHELDELQLCKNCF FT YLSNARPDNWFCYPCIPNHELVWAKMKGFGFWPAKVMQKEDNQVDVRFFGHHHQRAWIP FT SENIQDITVNIHRLHVKRSMGWKKACDELELHQRFLREGRFWKSKNEDRGEEEAESSIS FT STSNEQLKVTQEPRAKKGRRNQSVEPKKEEPEPETEAVSSSQEIPTMPQPIEKVSVSTQ FT TKKLSASSPRMLHRSTQTTNDGVCQSMCHDKYTKIFNDFKDRMKSDHKRETERVVREAL FT EKLRSEMEEEKRQAVNKAVANMQGEMDRKCKQVKEKCKEEFVEEIKKLATQHKQLISQT FT KKKQWCYNCEEEAMYHCCWNTSYCSIKCQQEHWHAEHKRTCRRKR"

---

J'aimerais obtenir ceci

Code:

---

1 2 3 4 5 6

>Acc:20773 MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE RINVYYNEASGGR >Acc:H2Q1I7 MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK

---

Mais voilà d'après mon script j'obtiens ceci
>Acc:20773
MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
RINVYYNEASGGR
####suivi de 3 lignes vides
>Acc:H2Q1I7
####suivi de 17 lignes blanches
MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK


Ce sont ces lignes vides qui me dérangent et que je n'arrive pas à les supprimer avec mon script

Dans tes deux expressions régulières, remplace ta longue liste d'espaces par '\s+', je pense que ça devrait marcher. Quelque chose comme ceci:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

while (my $line =<FILE>) { if ($line =~ /Acc:(.*)\]\"/){ print ">accession number :$1 \n"; } elsif ($line =~ /^FT\s+\/translation=\"(.*)/) { $seq = 1; my $all=$1; print "$all \n"; } elsif ( ($seq) && ($line =~ /FT\s+([A-Z]*)/)){ print "$1 \n"; } }

---

Si ça ne marche toujours pas, poste le fichier en entrée en pièce jointe pour que l'on puisse regarder son contenu exact et éventuellement tester avec un fichier identique au tien (un copier-coller peut modifier certaines choses).

Bonsoir,

Pourquoi ne pas utiliser un module BioPerl qui te permettra de convertir un fichier EMBL en fichier fasta sans difficultés ?

Merci Lolo78,
J'ai remplacé ta longue liste d'espaces par '\s+' et j'ai mis le $ de fin de ligne et ça marche!!!
Merci Djibril je n'y avais pas pensé!

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14

while (my $line =<FILE>) { if ($line =~ /Acc:(.*)\]\"$/){ print ">accession number :$1 \n"; } elsif ($line =~ /^FT\s+\/translation=\"(.*)$/) { $seq = 1; my $all=$1; print "$all \n"; } elsif ( ($seq) && ($line =~ /FT\s+([A-Z]*)$/)){ print "$1 \n"; } }

---