Récuperation de champs sur fichier GenBank

Version imprimable

09/12/2007, 18h18
shenz

Récuperation de champs sur fichier GenBank

Bonjour.

Je travaille sur des fichiers de type Genbank. Je dois récupérer différentes infos du genre:
- uniquement la séquence
- uniquement le champ LOCUS, ou le nom de l'organisme ou le champ définition par exemple.
Jusque la c'est bon, pas de problème.

Par contre pour une récupération de champs via un mot clé rentré par l'utilisateur, je vois pas comment délimiter la partie a récupérer.
Je m'explique.
Certains champs sont sur plusieurs lignes (exemple: le champ ORGANISM). Pas de probleme pour récupérer la 1ere ligne, mais comment récupérer les suivantes en s'arrétant bien a la fin de ce champ là, sachant qu'il n'y a aucun caractere spécial qui délimite la fin d'un champ.

Si vous connaissez une façon de faire, je suis tout ouie (si je puis dire)...:D

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 #!/usr/local/bin/perl =h exemple de fichier ... SOURCE Escherichia coli ORGANISM Escherichia coli Bacteria; Proteobacteria; Gammaproteobacteria; Enterobacteriales; Enterobacteriaceae; Escherichia. REFERENCE 1 (bases 1 to 402) ... récupère Escherichia coli Bacteria; Proteobacteria; Gammaproteobacteria; Enterobacteriales; Enterobacteriaceae; Escherichia. =cut use strict; use warnings; my $InFile = "P:/Perl/scripts/Files/test.txt"; open (InFile,"$InFile") or die "Can't open file\n"; my $Ligne; my $Organisme = ""; my $Var = 0; my $Nombre; # lecture du fichier ligne par ligne while ($Ligne=<InFile>) { # présence d'un tag : ligne commençant pas au moins 4 majuscules if($Ligne =~ /^[A-Z]{4,}\s/) { $Var = 0; } if (($Var == 1 ) & ( $Ligne =~ /^\s/)) { # récupération des informations # suppression des enters en fin de lignes chomp($Ligne); $Organisme = $Organisme.$Ligne; } if($Ligne =~ /ORGANISM (.*)/) { $Organisme = $1; $Var = 1; } } print "\n$Organisme\n";
Pour

Code:

if($Ligne =~ /^[A-Z]{4,}\s/)

Regarde si la ligne commence par minimum 4 majuscules.
Si tu es certain(e) que c'est toujours REFERENCE qui suit ORGANISM dans tes fichiers textes il vaut mieux écrire

Code:

if($Ligne =~ /REFERENCE/)

Voire même mettre plusieurs conditions dans le même if

Code:

if(($Ligne =~ /REFERENCE/) | ($Ligne =~ /TITLE/))

Pour information : dans Genbank chaque séquence est stockée sous la forme d'un objet dont tu peux récupérer les données (acc, gi, seq, organisme ...) directement en te connectant à Genbank via un script Perl qui récupère les informations dont tu as besoin sans passé par des fichiers textes en local.
Tu écris ta requêtes dans ton programme (cela peut être une liste d'accessions, des mots ...) et les séquences que tu obtiens sont exactement celles que tu aurais si tu faisais cette erquête via l'interface web de GenBank.

Jasmine,

Exemple d'objet de genbank =:

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
$VAR1 = bless( {
                 '_gsf_tag_hash' => {
                                      'mol_type' => [
                                                      'genomic DNA'
                                                    ],
                                      'db_xref' => [
                                                     'taxon:562'
                                                   ],
                                      'strain' => [
                                                    '07-380'
                                                  ],
                                      'organism' => [
                                                      'Escherichia coli'
                                                    ]
                                    },
                 '_source_tag' => 'EMBL/GenBank/SwissProt',
                 '_gsf_seq' => bless( {
                                        'display_id' => 'EU281544',
                                        'primary_id' => '161705230',
                                        'accession_number' => 'EU281544',
                                        '_seq_length' => undef,
                                        '_version' => '1',
                                        'alphabet' => 'dna',
                                        'desc' => 'Escherichia coli strain 07-380 ParC (parC) gene, partial cds.',
                                        '_root_verbose' => 0,
                                        'seq' => 'ATGAGCGATATGGC…AGC'
                                      }, 'Bio::PrimarySeq' ),
                 '_location' => bless( {
                                         '_strand' => 1,
                                         '_seqid' => 'EU281544',
                                         '_location_type' => 'EXACT',
                                         '_start' => '1',
                                         '_end' => '402',
                                         '_root_verbose' => 0
                                       }, 'Bio::Location::Simple' ),
                 '_primary_tag' => 'source'
               }, 'Bio::SeqFeature::Generic' );

L'utilisation d'objets est plus propre et moins lourde que de passer par des fichiers textes.

... enfin pour organisme, l'objet est un peu limité.

Jasmine,

En fait ce que je veux c'est pouvoir récuperer n'importe quel champ passé en mot clé. ORGANISM servait d'exemple puisqu'il est défini sur plusieurs lignes.

J'ai bien réussi a faire quelque chose, mais mon code est pas du tout optimisé :roll:
Déja je fais un 1er parcours pour verifier l'existance du champ et je fais un second parcours si il existe pour extraire ce champs (faudra que je rassemble tout ça) et je ressort de ma boucle avec un bon petit "exit" a la barbare.

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
 
use strict;
  #dans prog principal:
 
	#print "Taper le champ a rechercher :\n";
	#my $champ=<STDIN>;
	#chomp $champ;
 
	my ($champ, $nom_fichier) = @_;
	my @recup = affiche_tout($nom_fichier);       # appel de la ss fonction
 
  # =================================
  # Verification de l'existence de ce champ dans le fichier
  # =================================
	my $i=0;
 
	foreach my $ligne (@recup)
    {
# verifie que la ligne commence par le mot cle precede de 0 ou plusieurs espaces
     if ($ligne =~ /^\s*$champ\s.*$/i)     
          {
		$i++;
	   }
     }
 
  # =================================
  # Si le champ n'existe pas:
  # =================================
	if ($i==0)
          {
	      print "Le champ '$champ' n'existe pas\n\n";
	  }
 
  # =================================
  # si il existe, on va chercher a l'afficher
  # =================================	
	else 
          {
		#print "Le champ $champ existe\n\n";
		my $j=0;
		for ($j=0; $j<@recup; $j++)
	  {
# verifie que la ligne commence par le mot cle precede de 0 ou plusieurs espaces	
      if ($recup[$j]=~ /^\s*$champ\s.*$/i) 	  
      {
          print $recup[$j],"\n";     # affiche la 1ere ligne comportant le mot cle
 
          for(my $k=$j+1; $k<@recup; $k++) 
           {
# affiche les lignes suivantes si il y en a plusieurs
            if ($recup[$k]=~ /^\s{5}.*$/i)    
    	     {
               print $recup[$k],"\n";       
             }
# force la boucle a se terminer si on passe a un autre champ
            else {exit;}                      
  	  }
  	}   
     } 
  }

Bonjour,

Ta fonction

Code:

my @recup = affiche_tout($nom_fichier);

semble placer tout le fichier dans un tableau indexé.
Perl possède déjà cette fonction :
Code:

1 2 3 open (InFile,$nom_fichier) or die "Can't open file\n"; my @recup = <InFile>; close (InFile);
A ta place, je n'utiliserais pas cela car vu que tu ne veux récupérer que quelques lignes il est inutile de surcharger la mémoire surtout que les fichiers GenBank peuvent être très volumineux. De plus cela complique les choses quand tu trouves ton mot clé et que tu veux récupérer les valeurs suivantes de ton tableau. Si tu veux continuer sur cette voie, quand tu trouves ton mot clé tu dois faire un "while(lignes suivantes ne contiennent pas de tag){concaténation des lignes}".
J'ai un peu modifié mon script en fonction de celui que tu as fait.
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 use strict; use warnings; my $InFile = "P:/Perl/scripts/Files/test.txt"; my $Champ = "ORGANISM"; my $Valeur = ""; open (InFile,"$InFile") or die "Can't open file\n"; my $Ligne; my $Var = 0; my $Nombre; # lecture du fichier ligne par ligne while ($Ligne=<InFile>) { # présence d'un tag : ligne commençant pas au moins 4 majuscules if($Ligne =~ /^\s*[A-Z]{4,}\s*\w*/) { $Var = 0; } if (($Var == 1 ) & ( $Ligne =~ /^\s/)) { # récupération des informations # suppression des enters en fin de lignes chomp($Ligne); $Valeur = $Valeur.$Ligne; } if($Ligne =~ /$Champ\s*(.*)/) { $Valeur = $1; $Var = 1; } } close(InFile); if ($Valeur eq "") { print "Le champ $Champ n'existe pas\n\n"; } else { print "\n$Champ = $Valeur\n"; }
Bon travail,

Jasmine,

11/12/2007, 23h34
shenz

Merci pour cette reponse. :king:
Effectivement l'appel a ma fonction par: affiche_tout($nom_fichier); utilise la fonction que tu me conseilles au dessous. C'etait pour eviter de modifier mon fichier d'origine par erreur.

Sinon la fonction est nickelle.
Y a juste une ligne que je ne comprends pas:

Code:

$Valeur = $1;

A quoi correspond "$1".La ligne est récupérée avec ça?
C'est le seul point noir.
Sinon j'aurai inversé les 2 derniers "if" dans le "while" pour la logique mais d'un point de vu code c'est la même chose.
12/12/2007, 08h55
Jasmine80
Code:

1 2 3 4 5 if($Ligne =~ /$Champ\s*(.*)/) { $Valeur = $1; $Var = 1; }
Les parenthèses indiquent ce que tu veux récupérer dans ton expression régulière, ici (.*) signifie
. = n'importe quel caractère sauf un saut de ligne
* = de 0 à une infinité de fois
Le $1 veut dire que tu places dans $Valeur ce que tu as récupéré du première couple de parenthèses de l'expreg. Tu peux donc avoir une succession de parenthèses et utiliser $1, $2, $3 ... afin de récupérer les informations voulues dans ton expression régulière.

Code:

my $InFile = "P:/Perl/scripts/Files/test.txt";

Ton fichier est ouvert en écriture seulement ce qui signifie que tu ne peux pas le modifier par erreur. Pour ouvrir un fichier en mode écriture tu dois utiliser le signe >

Code:

my $InFile = ">P:/Perl/scripts/Files/test.txt";

Citation:

Ouverture
open(NOMPOINTEUR, "(prefixe)nomFichier");

préfixe description
< lecture (par défaut)
> écriture (fichier écrasé)
> > ajout
| résultat envoyé à un programme

^^ Donc pas de soucis.

Jasmine,

PS : n'oublie pas de cocher que ton problème est résolu.
23/06/2008, 10h26
koaku

bon boulot mais ...

Je viens de jeter un oeil a votre echange, et je pense que vous avez bien avancé. Juste une petite remarque en passant, c'est très bien de se plobger dans le code directement mais il existe des librairies dédiées à l'exploitation des fiches genbank. Ces modules ont écrits (et plutot bien...), testés et sont sont fréquemment utilisés.

Je vous conseille donc de jeter à oeil à :
23/06/2008, 10h29
koaku

suite

oops, donc :
Bio::SeqIO
Bio::SeqIO::GenBank

cf : http://doc.bioperl.org/releases/bioperl-1.2/

Voila, ce n'est que mon avis mais il est important en bioinfo de savoir utiliser l'existant pour ne pas tout recoder à chaque fois.
23/06/2008, 19h11
shenz

Hello koaku

Le projet est terminé depuis un petit moment maintenant, je m'en suis sorti. Mais merci pour ton aide.
Le but des projets que j'ai eu a réaliser était "scolaire" et visait justement à pratiquer la programmation si possible sans reprendre trop de codes déjà existants.

Mais il est vrai que dans un projet "normal" il est inutile de réinventer la roue à chaque fois, c'est une perte du temps.