REGEXP sous chaîne

Version imprimable

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

09/07/2009, 09h25
Jasmine80

Citation:

Envoyé par s.n.a.f.u

Alors là je dirais oui, mais non. :? ;)

Car avec cette substitution, tu fais une hypothèse de plus : les 100 à 250 nucléotides intermédiaires sont obligés d'être présents, ainsi que les deux bornes.
Du coup, ça simplifie énormément le problème, mais ça ne prend pas en compte tous les cas de départ.
Ca ne répond par exemple pas au cas où les deux bornes sont collées l'une à l'autre sans rien entre les deux.

Oui mais biologiquement les 2 bornes sont séparées par au moins 100 nucléotides et au plus 250. Les 2 bornes ne doivent pas être présentes, si une seule l'est, on ne passe pas par la seconde substitution et on garde dans ce cas 250 nucléotides. C'est ce que je cherchais à faire par une seule regexp.
09/07/2009, 09h37
s.n.a.f.u

Citation:

Envoyé par Jasmine80

Les 2 bornes ne doivent pas être présentes

8O :calim2: Tu veux dire qu'elles doivent être présentes, non ?
Je me fais des noeuds dans la double hélice ! :mouarf:
09/07/2009, 09h48
Philou67430

Citation:

Envoyé par Jasmine80

Code:

(?(1)(?:TGATACCGATCCCTAGAACAGAT)?|TGATACCGATCCCTAGAACAGAT)

Donc si on matches le premier TGATACCGATCCCTAGAACAGAT, (1) est valide et on ne recherche pas le second motif ... qui devrait-être le second polynucléotide non?

Non, on recherche le second motif, mais il est optionnel si le premier motif a été matché (ajout du ? à la fin de l'alternative).

Question subsidiaire : que doit-il se passer si aucune borne n'est trouvée ?
J'aurais tendance à étudier la possibilité d'utiliser le split... mais je ne sais pas encore comment.
09/07/2009, 09h54
Jasmine80
Citation:

Envoyé par s.n.a.f.u

8O :calim2: Tu veux dire qu'elles doivent être présentes, non ?
Je me fais des noeuds dans la double hélice ! :mouarf:

Dans le cas idéal, elles sont toutes deux présentes mais dans certaines séquences, un des nucléotides peut être muté (disparition de la borne) ou la séquence peut être complète et s'arrêter entre les 2 bornes.

mais je sais que les séquences récupérées possèdent au moins une des 2 bornes ainsi que 100 nuc:
Code:

1 2 3 4 5 my $sql0 = <<"SQL"; SELECT accession, organism, sequence FROM ma_table WHERE sequence REGEXP 'TGTAGACGTGACGATGTAACAC[ATCG]{100,}' OR sequence REGEXP '[ATCG]{100,}TGATACCGATCCCTAGAACAGAT' SQL
Le but est d'obtenir un alignement de séquence contenant ces 2 bornes (pouvant être pour certaines séquences dépassées car elles n'ont pas pu être recoupées correctement). Une fois l'alignement obtenu, sur ces séquences de différentes tailles, je peux récupérer la séquence consensus entre mes 2 bornes.

Est-ce plus clair ainsi?
09/07/2009, 09h57
Jasmine80
Citation:

Envoyé par Philou67430

Question subsidiaire : que doit-il se passer si aucune borne n'est trouvée ?

les séquences récupérées possèdent au moins une des 2 bornes ainsi que 100 nuc
Code:

1 2 3 4 5 my $sql0 = <<"SQL"; SELECT accession, organism, sequence FROM ma_table WHERE sequence REGEXP 'TGTAGACGTGACGATGTAACAC[ATCG]{100,}' OR sequence REGEXP '[ATCG]{100,}TGATACCGATCCCTAGAACAGAT' SQL
09/07/2009, 10h09
s.n.a.f.u

Oui, c'est mieux, et la requête donne une bonne piste. Mais elle mets aussi en lumière les cas extrêmes :

1) TGTAGACGTGACGATGTAACACTGATACCGATCCCTAGAACAGAT
Ce sont les deux bornes collées. Cela répond à l'extraction car la deuxième borne fait bien partie de l'intervalle [ATCG]{100,}

2) TGTAGACGTGACGATGTAACACACGTTGATACCGATCCCTAGAACAGAT
Les deux bornes sont séparées par 4 nucléotides. Mais ces 4 nucléotides plus la borne de fin peuvent appartenir à [ATCG]{100,}

Il doit y en avoir d'autres, mais ces deux là m'ont sautés aux yeux.
Que doit-on en faire ?
09/07/2009, 10h16
Jasmine80

Citation:

Envoyé par s.n.a.f.u

Oui, c'est mieux, et la requête donne une bonne piste. Mais elle mets aussi en lumière les cas extrêmes :

1) TGTAGACGTGACGATGTAACACTGATACCGATCCCTAGAACAGAT
Ce sont les deux bornes collées. Cela répond à l'extraction car la deuxième borne fait bien partie de l'intervalle [ATCG]{100,}

2) TGTAGACGTGACGATGTAACACACGTTGATACCGATCCCTAGAACAGAT
Les deux bornes sont séparées par 4 nucléotides. Mais ces 4 nucléotides plus la borne de fin peuvent appartenir à [ATCG]{100,}

Il doit y en avoir d'autres, mais ces deux là m'ont sautés aux yeux.
Que doit-on en faire ?

C'est de la théorie, je t'ai dit qu'en pratique ces 2 polynucléotides (qui n'ont pas été pris au hasard) sont séparés par 100 à 250 nucléotides. Donc aucune des séquences de la DB n'a moins de 100 nuc entre ces 2 bornes. :D
09/07/2009, 10h25
s.n.a.f.u

Citation:

Envoyé par Jasmine80

C'est de la théorie, je t'ai dit qu'en pratique ces 2 polynucléotides (qui n'ont pas été pris au hasard) sont séparés par 100 à 250 nucléotides. Donc aucune des séquences de la DB n'a moins de 100 nuc entre ces 2 bornes. :D

C'est bon ça !

Et lorsqu'il y a plus de 250 séparations entre deux bornes, quel résultat attends-tu ?

- le début + 250 nucléos
- 250 nucleos + la fin
- c'est impossible
09/07/2009, 10h49
Jasmine80

Citation:

Envoyé par s.n.a.f.u

C'est bon ça !Et lorsqu'il y a plus de 250 séparations entre deux bornes, quel résultat attends-tu ?

D'obtenir une promotion pour avoir découvert une nouvelle séquence qui ne devrait pas exister. J'ai mis 100-250 pour couvrir tous les cas possibles.

Allez, pour pouvoir être associé au prix Nobel, je tente un autre truc :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
 
my $start  = 'TGTAGACGTGACGATGTAACAC';
my $end    = 'TGATACCGATCCCTAGAACAGAT';
my $middle = '[ACGT]{100,250}';
 
my ($subseq) = $sequence =~
m/
(?: .*(?=$start) )?
(
    (?: ($start) ( $middle ) ($end) )
    |
    (?: ($start) ( $middle )        )
    |
    (?:          ( $middle ) ($end) )
)
/x;
 
print $subseq if ($subseq);

09/07/2009, 11h31
Philou67430
Question : si les motifs de début et de fin de séquence sont au début et en fin de chaine, ne suffirait-il pas de les supprimer, puis de vérifier qu'il reste bien entre 100 et 250 nucléotides ?
Code:

1 2 3 $seq =~ s/^($start)?|($end)?$//g; if (length $seq > 100 && length $seq < 250) { ...

Citation:
Envoyé par s.n.a.f.u
Allez, pour pouvoir être associé au prix Nobel, je tente un autre truc :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 my $start = 'TGTAGACGTGACGATGTAACAC'; my $end = 'TGATACCGATCCCTAGAACAGAT'; my $middle = '[ACGT]{100,250}'; my ($subseq) = $sequence =~ m/ (?: .*(?=$start) )? ( (?: ($start) ( $middle ) ($end) ) | (?: ($start) ( $middle ) ) | (?: ( $middle ) ($end) ) ) /x; print $subseq if ($subseq);
Les séquences récupérées sont beaucoup trop longues, probablement ne passent-elles pas par ta regexp :(

09/07/2009, 11h57
Jasmine80

Citation:

Envoyé par Philou67430

Question : si les motifs de début et de fin de séquence sont au début et en fin de chaine, ne suffirait-il pas de les supprimer, puis de vérifier qu'il reste bien entre 100 et 250 nucléotides ?

Je voudrais que ces 2 motifs soient les bornes de ma chaîne mais en réalité les séquences de départ sont beaucoup plus longues que cela et débordent de part et d'autre de ces motifs.

Il est inutile de vérifier que la séquence intermédiaire soit comprises entre 100 et 250 nucléotides, elle fait toujours entre environ 130 et 150 nucléotides. (vérifié après l'utilisation des 2 substitutions).

C'est très gentil de votre part de vouloir m'aider mais j'ai obtenu ce que je voulais. On peut néanmoins continuer de discuter par curiosité et pour le plaisir de résoudre ce problème autrement que par 2 substitutions.
09/07/2009, 12h03
Philou67430

Les motifs de début et de fin peuvent-ils apparaitre plusieurs fois dans la séquence (notamment par exemple, celui du début pour ré-apparaitre dans les 130/150 nucléotide, ou bien celui de la fin, apparaitre avant celui du début) ?
09/07/2009, 12h04
Jasmine80

Citation:

Envoyé par Philou67430

Les motifs de début et de fin peuvent-ils apparaitre plusieurs fois dans la séquence (notamment par exemple, celui du début pour ré-apparaitre dans les 130/150 nucléotide, ou bien celui de la fin, apparaitre avant celui du début) ?

Non, ils ne sont qu'une ou zéro fois présents chacun.
09/07/2009, 12h07
Philou67430

Dans ce cas, cette unique substitution devrait faire l'affaire :

Code:

$seq =~ s/.*$start|$end.*//g;

Citation:

Envoyé par Philou67430

Dans ce cas, cette unique substitution devrait faire l'affaire :

Code:

$seq =~ s/.*$start|$end.*//g;

A oui, ça parait très astucieux ... si les 2 polynucléotides sont présents, les 2 extrémités doivent être tronquées.

... mais au cas où je n'ai qu'un des 2 polynucléotides, je ne veux récupérer que 250 nucléotides suivants (ou précédents) ... pour garder la courte zone d'intérêt et non récupérer les milliers de nucléotides suivants.

Ce problème vient du fait qu'on peut par exemple avoir une très longue séquence possédant les 2 polynucléotides : 1000nuc-polynuc1-150nuc-polynuc2-2000nuc mais dont le second polynuc a 1 nucléotide muté (par exemple cf seq2 plus bas TGATACCGATCCCTAGAACAGAT devient TGATACCCATCCCTAGAACAGAT) il faut récupérer 250 nuc après le polynuc1 et non les 2170 nucléotides suivants. La mutation fera donc que la regexp ne matchera pas :( et il faut donc jouer sur le nombre de nucléotides à récupérer après le polynuc1 pour rester dans la zone d'intérêt.

Je sais que c'est compliqué mais est-ce clair?

Alors, j'aurais dû commencer par là (mais je ne pensais pas qu'il y aurait tant à dire sur ce sujet) mais voici quelques séquences fictives et ce que je voudrais récupérer :
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 #!/usr/bin/env perl use strict; use warnings; my @sequence = qw[ TCGCCCGCGGGGTTCAGCCGGCATTCGTGCCGGTGTACTTCCCCGTGGGCGGGCCAGCGTCGGTTTGGGCGGCCGGTCAAAGGCCCTCGGAATGTATCACCTGTAGACGTGACGATGTAACACGCCTGGACCGAGGAACGCGCTTCGGCTCGGACGCTGGCGTAATGGTCGTAAATGACCCGTCTTGAAACACGGACCTCTCGGGGTGTCTTATAGCCGAGGGTGCAATGCGGCCTTCGCCCGCGGGGTTTCGCCCGCGGGGTT TCGCTCTGTAGACGTGACGATGTAACACGCGGGGTTCAGCCGGGCTTCGGCCCGGTGTACTTCCCCGCGGGCGGGCCAGCGTCGGTTTGGGCGGCCGGTCAAAGGCCTCCGGAATGTAGCGCCCTTCGGGGCGCCTTATAGCCGGGGGTGCAATGCGGCCAGCCTGGACCGAGGAACGCGCTTCGGCACGGACGCTGGCATATGATACCCATCCCTAGAACAGATATGGTTGTAAACGACCCGTCTTGAAACACGGACC TCCGGTCCTCGAGCGTATGGGGCTTTGTCACCCGCTCAGTAGGTCGGGCCGGGGCCTTTGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTTGATACCGATCCCTAGAACAGATGGCCCCTCCGGGGTCCGCATTGTAATTTGCAGAGGATGC TCCGGTCCTCGAGCGTATGGGGCTTTGTCACCCGCTCAGTAGGTCGGGCCGGGGCCTTTTGTAGACGTGACGATGTAACACGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTGATACCGATCCCTAGAACAGATTGGCCCCTCCGGGGTCCGCATTGTAATTTGCAGAGGATGCTTCGGGCTCAG ]; foreach my $sequence (@sequence){ $sequence =~ s/.*(TGTAGACGTGACGATGTAACAC[ATCG]{100,250}).*/$1/; $sequence =~ s/.*?([ATCG]{100,250}TGATACCGATCCCTAGAACAGAT).*/$1/; my $l = length($sequence)- length('TGTAGACGTGACGATGTAACAC') - length('TGATACCGATCCCTAGAACAGAT'); print "$l : ".$sequence."\n"; }
Encore merci pour votre aide :)

09/07/2009, 13h01
Philou67430
En récupérant le retour de s///, tu obtiens le nombre de substitution effectuée.
S'il y en a 2, pas de traitement particulier, la séquence avait un début et une fin.
S'il n'y en a qu'une, il faut limiter la séquence résultante à 250 nucléotides... Le tout est de savoir si on a supprimé la première ou la deuxième alternative du motif (le start ou le end), pour savoir où supprimer les nucléotides en trop. Et là... je cherche... mais il y a une solution avec les assertions de code (expérimental en 5.10).
Code:

1 2 my $start_found = 0; my $start_end_found = 2 == $seq =~ s/.*$start(?{$start_found++})|$end.*//g;
A présent, tu sais si le début a été trouvé ou non, il suffit donc de faire le substr qui va bien.
09/07/2009, 13h11
Jasmine80
Citation:
Envoyé par Philou67430

En récupérant le retour de s///, tu obtiens le nombre de substitution effectuée.
S'il y en a 2, pas de traitement particulier, la séquence avait un début et une fin.
S'il n'y en a qu'une, il faut limiter la séquence résultante à 250 nucléotides... Le tout est de savoir si on a supprimé la première ou la deuxième alternative du motif (le start ou le end), pour savoir où supprimer les nucléotides en trop. Et là... je cherche... mais il y a une solution avec les assertions de code (expérimental en 5.10).

Code:

1 2 my $start_found = 0; my $start_end_found = 2 == $seq =~ s/.*$start(?{$start_found++})|$end.*//g;

A présent, tu sais si le début a été trouvé ou non, il suffit donc de faire le substr qui va bien.
Et bien, quelle gymnastique mentale mais j'utilise perl 5.8.8. :D
J'ai entendu parler du golf-perl ... je n'ose même pas imaginer le charabia que cela génère :? Merci pour tes explications, c'est fou toutes les possibilités en Perl, il ne cesse de m'impressionner.

Citation:

Envoyé par Jasmine80

Les séquences récupérées sont beaucoup trop longues, probablement ne passent-elles pas par ta regexp :(

C'est bizarre, les résultats me semblent plutôt pas mal avec ton jeu d'essais :

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
 
#!/usr/bin/perl
use warnings;
 
my @sequence = qw[
TCGCCCGCGGGGTTCAGCCGGCATTCGTGCCGGTGTACTTCCCCGTGGGCGGGCCAGCGTCGGTTTGGGCGGCCGGTCAAAGGCCCTCGGAATGTATCACCTGTAGACGTGACGATGTAACACGCCTGGACCGAGGAACGCGCTTCGGCTCGGACGCTGGCGTAATGGTCGTAAATGACCCGTCTTGAAACACGGACCTCTCGGGGTGTCTTATAGCCGAGGGTGCAATGCGGCCTTCGCCCGCGGGGTTTCGCCCGCGGGGTT
TCGCTCTGTAGACGTGACGATGTAACACGCGGGGTTCAGCCGGGCTTCGGCCCGGTGTACTTCCCCGCGGGCGGGCCAGCGTCGGTTTGGGCGGCCGGTCAAAGGCCTCCGGAATGTAGCGCCCTTCGGGGCGCCTTATAGCCGGGGGTGCAATGCGGCCAGCCTGGACCGAGGAACGCGCTTCGGCACGGACGCTGGCATATGATACCCATCCCTAGAACAGATATGGTTGTAAACGACCCGTCTTGAAACACGGACC
TCCGGTCCTCGAGCGTATGGGGCTTTGTCACCCGCTCAGTAGGTCGGGCCGGGGCCTTTGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTTGATACCGATCCCTAGAACAGATGGCCCCTCCGGGGTCCGCATTGTAATTTGCAGAGGATGC
TCCGGTCCTCGAGCGTATGGGGCTTTGTCACCCGCTCAGTAGGTCGGGCCGGGGCCTTTTGTAGACGTGACGATGTAACACGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTGATACCGATCCCTAGAACAGATTGGCCCCTCCGGGGTCCGCATTGTAATTTGCAGAGGATGCTTCGGGCTCAG
];
 
my $start  = 'TGTAGACGTGACGATGTAACAC';
my $end    = 'TGATACCGATCCCTAGAACAGAT';
my $middle = '[ACGT]{100,250}';
 
open my $fh, '>', 'result.txt';
 
foreach my $row (@sequence) {
    my ($subseq) = $row =~
    m/
    (?: .*(?=$start) )?
    (
        (?: ($start) ( $middle ) ($end) )
        |
        (?: ($start) ( $middle )        )
        |
        (?:          ( $middle ) ($end) )
    )
    /x;
 
    print $fh $subseq."\n" if ($subseq);
 
}
 
close $fh;

Resultat :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
TGTAGACGTGACGATGTAACACGCCTGGACCGAGGAACGCGCTTCGGCTCGGACGCTGGCGTAATGGTCGTAAATGACCCGTCTTGAAACACGGACCTCTCGGGGTGTCTTATAGCCGAGGGTGCAATGCGGCCTTCGCCCGCGGGGTTTCGCCCGCGGGGTT

=>142 nucléotides

TGTAGACGTGACGATGTAACACGCGGGGTTCAGCCGGGCTTCGGCCCGGTGTACTTCCCCGCGGGCGGGCCAGCGTCGGTTTGGGCGGCCGGTCAAAGGCCTCCGGAATGTAGCGCCCTTCGGGGCGCCTTATAGCCGGGGGTGCAATGCGGCCAGCCTGGACCGAGGAACGCGCTTCGGCACGGACGCTGGCATATGATACCCATCCCTAGAACAGATATGGTTGTAAACGACCCGTCTTGAAACACGGACC

=>232 nucléotides

TCCGGTCCTCGAGCGTATGGGGCTTTGTCACCCGCTCAGTAGGTCGGGCCGGGGCCTTTGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTTGATACCGATCCCTAGAACAGAT

=>211 nucléotides

TGTAGACGTGACGATGTAACACGCCCTCTCCAACCTTTTTTTCCTTAGGTTGACCTCGGATCAGGTAGGGATACCCGCTGAACTTAAGCATATCAATAAGCGGAGGAAAAGAAACCAACCGGGATTGCCTCAGTAACGGCGAGTGAAGCGGCAAGAGCTCAAATTTGAAAGCTGATACCGATCCCTAGAACAGAT

=>151 nucléotides

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