Traitement/Manipulation de fichiers

Version imprimable

Bonjour après avoir lancé mon script Python/BioPython j'obtiens un fichiers résultats avec plusieurs séquences de Protéines :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 >NW_020169394.1_41 [10497-10619]|KE647364.1_346 [38084-37959] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >NW_020169394.1_41 [10497-10619]|KE646921.1_20 [383-240] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >NW_020169394.1_41 [10497-10619]|KE647277.1_227 [70875-70720] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >KE647068.1_7 [1546-1641]|KB908960.1_74 [31221-31316] MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE >KE647068.1_7 [1546-1641]|KB909349.1_29 [13746-13651] MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE
J'aimerai savoir comment faire pour pouvoir traiter ce fichier et obtenir un résultat de ce type :
Code:

1 2 3 4 5 6 >NW_020169394.1_41 [10497-10619]|KE647364.1_346 [38084-37959] | KE646921.1_20 [383-240] | KE647277.1_227 [70875-70720] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >KE647068.1_7 [1546-1641] |KB908960.1_74 [31221-31316] | KB909349.1_29 [13746-13651] MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE
J'ai essayé en utilisant des expressions régulières mais je galère et ne parviens pas a réussir si quelqu'un à une idée de comment faire je vous remercie.

Merci de votre réponse

28/06/2021, 20h32
wiztricks
Salut,

Citation:

Envoyé par thdurand4

J'ai essayé en utilisant des expressions régulières mais je galère et ne parviens pas a réussir si quelqu'un à une idée de comment faire je vous remercie.

Vous avez deux problèmes à résoudre:
1. découper les séquences puisque vous voulez regrouper certaines parties en fonction du début,
2. faire les "regroupements" en fonction d'un début de ligne commun.
Enfin mettre en forme tout çà pour que ça fasse la chaine de caractères attendue.

Les expressions régulières pourraient aider à découper les séquences mais une séquence commence avec la ligne qui débute par ">" et le début de ligne commun pour faire les regroupement se récupère avec .split('|'). Ce qui est assez basique.

Mais le gros du boulot est dans la suite...

- W

Salut !
Il existe plein de méthodes !

En voilà une pas très jolie, les pros t'en proposeront des meilleures :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
 
#Je découpe chaque paragraphe en 3 : 
#[['>NW_020169394.1_41 [10497-10619]'  ,  'KE647364.1_346 [38084-37959]' , 'MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET'] , ... ]
lines = [[x.split('|')[0], x.split('|')[1].split('\n')[0], x.split('\n')[1]] for x in code.split('\n \n')]
 
#Je créé un dictionnaire avec comme clé le premier élément (ex : '>NW_020169394.1_41 [10497-10619]')
# des sous-listes que je viens de créer plus haut, à laquelle j'attribue une liste composé des deux autres 
# éléments de la sous-liste (ex : ['|KE647364.1_346 [38084-37959]' , '|MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET'])
dico = {}
for x,y,z in lines:
	try:
		dico[x][0]+=" |"+y #Ici je rajoute juste le second élément (ex : '|KE646921.1_20 [383-240]')
	except:
		dico[x]=["|"+y,z]
 
for x in dico:
	print(x, dico[x][0],'\n',dico[x][1])

Résultat :

Code:

1
2
3
4
>NW_020169394.1_41 [10497-10619] |KE647364.1_346 [38084-37959] |KE646921.1_20 [383-240] |KE647277.1_227 [70875-70720] 
 MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET
>KE647068.1_7 [1546-1641] |KB908960.1_74 [31221-31316] |KB909349.1_29 [13746-13651] 
 MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE

Voila, j'espère qu'il n'y a pas d'erreur dans le résultat j'ai pas vérifié.

(try except ma passion ! Pi je me rappelais plus de la fonction setdefault)

Citation:
Envoyé par LeNarvalo
Salut !
Il existe plein de méthodes !

En voilà une pas très jolie, les pros t'en proposeront des meilleures :
Code:

1 2 3 4 #Je découpe chaque paragraphe en 3 : #[['>NW_020169394.1_41 [10497-10619]' , 'KE647364.1_346 [38084-37959]' , 'MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET'] , ... ] lines = [[x.split('|')[0], x.split('|')[1].split('\n')[0], x.split('\n')[1]] for x in code.split('\n \n')]
Bonjour, Merci pour votre réponse cependant à quoi correspond le code.split ici ?

Citation:

Envoyé par thdurand4

Bonjour, Merci pour votre réponse cependant à quoi correspond le code.split ici ?

Oups pardon, la variable code c'est votre :
Code:

1 2 3 4 5 6 7 8 9 10 11 code = '''>NW_020169394.1_41 [10497-10619]|KE647364.1_346 [38084-37959] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >NW_020169394.1_41 [10497-10619]|KE646921.1_20 [383-240] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >NW_020169394.1_41 [10497-10619]|KE647277.1_227 [70875-70720] MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET >KE647068.1_7 [1546-1641]|KB908960.1_74 [31221-31316] MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE'''
Ne sachant pas trop comment l'information était transmise, j'ai considéré qu'il s'agissait d'un string...
Si ce n'est pas le cas, il peut être plus simple de transformer la réponse ou plus compliqué...

hello,
un truc vite fait sur le gaz :aie: avec des expressions régulières (certainement à optimiser) :

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
import re
chaine=""""
>NW_020169394.1_41 [10497-10619]|KE647364.1_346 [38084-37959]
MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET
 
>NW_020169394.1_41 [10497-10619]|KE646921.1_20 [383-240]
MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET
 
>NW_020169394.1_41 [10497-10619]|KE647277.1_227 [70875-70720]
MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET
 
>KE647068.1_7 [1546-1641]|KB908960.1_74 [31221-31316]
MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE
 
>KE647068.1_7 [1546-1641]|KB909349.1_29 [13746-13651]
MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE
"""
 
p1 = re.compile('(>.+)(\|.*\])')
capture1 = p1.findall(chaine)
print(capture1)
p2= re.compile('^(\w+)$', re.MULTILINE)
capture2 = p2.findall(chaine)
i=0
oldelem1 = ''
oldelem3 = ''
multielem2 = ''
for t1 in capture1:
    elem1 = list(t1)[0]
    elem2 = list(t1)[1]
    elem3 = capture2[i]
    i+=1
    if oldelem1 != elem1:
        print(oldelem1 + multielem2)
        print(oldelem3)
        multielem2 = elem2
    else:
        multielem2 = multielem2 + elem2
    oldelem1 = elem1
    oldelem3 = elem3
print(oldelem1 + multielem2)
print(oldelem3)

Résultat :

Citation:

>NW_020169394.1_41 [10497-10619]|KE647364.1_346 [38084-37959]|KE646921.1_20 [383-240]|KE647277.1_227 [70875-70720]
MDQLSRKLNLTYLKVGILTSQNEFVTKHLLIIKGLKIFTET
>KE647068.1_7 [1546-1641]|KB908960.1_74 [31221-31316]|KB909349.1_29 [13746-13651]
MFYTALFLNVIIYYNLYKDFLSHLFSKIYYKE

Ami calmant, J.P

en plus simple avec une seule regex :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
p1 = re.compile('(>.+)(\|.*\])\n(\w+)\n')
capture1 = p1.findall(chaine)
#print(capture1)
oldelem1 = ''
oldelem3 = ''
multielem2 = ''
for t1 in capture1:
    elem1 = list(t1)[0]
    elem2 = list(t1)[1]
    elem3 = list(t1)[2]
    if oldelem1 != elem1:
        print(oldelem1 + multielem2)
        print(oldelem3)
        multielem2 = elem2
    else:
        multielem2 = multielem2 + elem2
    oldelem1 = elem1
    oldelem3 = elem3
print(oldelem1 + multielem2)
print(oldelem3)

Ami calmant, J.P

@jurassic pork Le pro du regex !

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
oldelem1 = ''
oldelem3 = ''
multielem2 = ''
for t1 in capture1:
    elem1 = list(t1)[0]
    elem2 = list(t1)[1]
    elem3 = list(t1)[2]
    if oldelem1 != elem1:
        print(oldelem1 + multielem2)
        print(oldelem3)
        multielem2 = elem2
    else:
        multielem2 = multielem2 + elem2
    oldelem1 = elem1
    oldelem3 = elem3

Par contre je ne trouve pas ça, très joli.
Pas moyen d'utiliser un dico, plutôt, comme j'ai fait ?
Ou un autre truc.

29/06/2021, 15h27
jurassic pork

effectivement il doit y avoir plus simple pour extraire les données de sortie des tuples fabriqués par la regex (capture1) . Moi je ne suis pas un pro du python : si tu vois quelque chose avec un dico ou un autre object python n'hésite pas à proposer.
Ami calmant, J.P

Salut,

Citation:

Envoyé par LeNarvalo

Par contre je ne trouve pas ça, très joli.
Pas moyen d'utiliser un dico, plutôt, comme j'ai fait ?

Un dico ne sert à rien si on suppose que les séquences à fusionner sont contiguës.
Après on peut faire "plus joli":
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 def display(item): print(item[0] + item[1]) print(item[2]) item = [None,] * 3 for m in p1.finditer(chaine): nitem = m.groups() if nitem[0] == item[0]: item[1] += nitem[1] continue if item[0] is not None: display(item) item[:] = nitem display(item)
mais c'est une question de gouts et de couleurs...

- W

29/06/2021, 22h04
Invité

J'ai préférer couvrir le faite que les séquences puissent ne pas être contiguës.

Sinon je préfère toujours mon code, sauf côté split peut-être. :P

hello,
encore une simplification de mon code :aie: :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
 
p1 = re.compile('(>.+)(\|.*\])\n(\w+)\n')
capture1 = p1.findall(chaine)
x, y, z ='','',  ''
for a,  b,  c in capture1:
    if (x != a) and (x != ''):
        print(x, y, '\n', z)
        y=b
    else:
        y = y + b
    x, z = a,  c
print(x, y, '\n',z)

Ami calmant, J.P