Foro - Perl en Español

por **alemanmd** » 2011-11-28 20:24 @892

Hola a todos.

Voy empezando con Perl. Tengo que hacer un contador de cisteínas (el número de veces que aparece la letra C en la secuencia de aminoácidos) en un archivo múltiple en formato fasta. Tengo varios días y no puedo. ¿Podría alguien darme una idea de cómo puedo hacer esto?

El input sería algo así:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

>217618

MHHPILLSAFISIASSLRLNAPTVNKRGSTIAQPGSIKDVIVTSFNTLNSTHHYRIPKAKPHSWNDTIST

HNLSLKLYNNYNGGPINAYIQGLDSNGAIVFITSNGTLIHPRSNNSSSPIEIKDKLAIPLPPKGQSLTLN

ITTSLTSGRVYFSEGNLKFFTINLGAGDGLVQPSVNNLHDPSASLNWGFIELTFLRNGALYANISYVDFV

GLILSMMLSTKDGGTPQITRGLRANAVYDLCEGLFKQTANDGYLWLAMCVVGKTGDPVRVLSPNYYQRVY

AADFEDYWQDYVDTVWEYYSSHTLAIDTQTPLGQVECQVTNDTLYCAEDNRGYAKPTASDIWGCNSGPFG

LQEGDNPVHVAVIPRLCAAFVRSTLLIRGGDVQPRLNSSYHYSVSPTNHYSRIVHELQVDGRGYAFSYDD

VNPNGHEDVSGLVSSGNPDTLTVYVGGPPN*

>161114

MAPSGTLPLAAAILALAGIVTAQQPGTSTPEVHPKLTTYQCTTSGGCVAQDTSVVLDWNYRWMHDANYNS

CTVNGGVNTTICPDEATCGTNCFIEGVNYTASGVTTSGSSLTMNQYMPATTGGYSSVSPRLYLLGADGNY

VLLQLNGKELSFDVDLSALPCGENGSLYLSQMADNGGANQYNTAGANYGSGYCDAQCPVQTWKNGTLNTN

HSGYCCNEMDILEGNSEANALTPHSCTATACDSSGCGLNPYASGFHSYYGPGLTVDTSKPFTITTQFNTD

NGSPSGNLVSITRKYIQNGVSIPSAQSGGDIISSCPSASAYGGLTTMGKALTSGMVLIFSIWNDSGGYMN

WLDSGSSGPCSSTEGNPSTILANNPGTHVTFSNIKWGDIGSTTSGGSSPPPPPASSTTLRTSTTTSKTST

APPSCTQTHWGQCGGNGYTGCKTCASGTTCQYSNDCEYSMNISKRRFRILIM*

>86295

MVLFRSLVFFSATACAATAPPSQSQGGIMAEQGLPDGIYQAAAVQGPTFEAPSAVPSSHLSLRGWKHPPG

EGDFHEKPGPHTEDEYSVPIHATRHSCHKDRHILLNSTEYRRAIDNLWDYCQNFKVPYHGAHLSIVGDVM

VYVCAYGRERPCHRHEWNEAEQIMDKKCGQGKGSHVQMRKKLKEYGRAHVGKKVCASSSLGMDLEWKTKP

LPVLVNGQTLGHWKAGPPRYKAGDPQYKAEEDGKKEDKAEEDGKKEDKVEDDGKKKDKAG*Coloreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Y la idea del output es algo así:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

ID                 Cisteinas

217618                 6

161114                 9

86295                  12Coloreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Gracias de antemano,
Iván Alemán

use strict;
 
my $file = $ARGV[0];
 
if ( !opendir( DIR, "" ) ) {
    mkdir("Cisteinas");
}
else {
    close(DIR);
}
 
open( MIA, "$file" ) or die("No puedo abrir $file\n");
open( ROB, ">Cisteinas/Ta_cisteinas.txt" ) or die("No puedo abrir Ta_cisteinas.txt\n");
 
my $nombre;
my $secuencia;
my $linea;
my $r = 0;
my $i = 0;
my @a;
 
while ( $linea = <MIA> ) {
    chomp($linea);
    if ( $linea =~ /([\d]+)/ ) {
        $nombre = $1;
        $r++;
    }
    unless ( $linea =~ /\d/ ) {
        $secuencia = $linea;
        my @a = split( //, $secuencia );
        if ( $secuencia =~ /C/ ) {
            $i++;
 
            #print  "$secuencia\n";
            print "$nombre\t$i\n";
        }
    }
}
print "hay [$r] secuencias en tu archivo";
 
close(MIA);
close(ROB);
 
Coloreado en 0.003 segundos,  usando GeSHi 1.0.8.4

por **explorer** » 2011-11-29 06:37 @317

Casi lo tenías hecho...

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

#!/usr/bin/perl
use strict;
use warnings;
 
my $file = $ARGV[0] or die "Uso: $0 <fichero fasta>\n";
 
my $DIR = 'Cisteinas';
 
if ( !-d $DIR ) {                    # si no existe ese directorio
    mkdir($DIR);                     # lo creamos
}
 
open( MIA, "<$file" )                 or die("ERROR: No puedo abrir $file: $!\n");
open( ROB, ">$DIR/Ta_cisteinas.txt" ) or die("ERROR: No puedo abrir Ta_cisteinas.txt: $!\n");
 
my $nombre;
my $r = 0;
my $i = 0;
 
print ROB "ID\t\tCisteinas\n";
 
while (my $linea = <MIA> ) {
    chomp($linea);
 
    if ( $linea =~ /^>([\d]+)/ ) {
        if ($nombre) {                 # si tenemos leída una secuencia anterior,
            print ROB "$nombre\t\t$i\n";  # la sacamos
        }
        $nombre = $1;
        $r++;
        $i = 0;                        # Iniciamos el contador
    }
    else {
        my @a = split( //, $linea );
        for my $letra (@a) {
            if ( $letra eq 'C' ) {     # Si la letra es 'C'
                $i++;                  # la contamos
            }
        }
    }
}
 
# Última secuencia
if ($nombre) {
    print "$nombre\t\t$i\n";
}
 
print "Hay [$r] secuencias en tu archivo\n";
 
close(MIA);
close(ROB);
 
Coloreado en 0.002 segundos,  usando GeSHi 1.0.8.4

Esta es otra versión, un poco más corta:

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

#!/usr/bin/perl
use strict;
use warnings;
 
my $file = $ARGV[0] or die "Uso: $0 <fichero fasta>\n";
 
open MIA, "$file"   or die "ERROR: No puedo abrir $file: $!\n";
$/ = "\n\n";                        # Separador entre secuencias
my @secuencias = <MIA>;             # Leemos todas las secuencias
close MIA;
 
print "ID\t\tCisteinas\n";
 
for (@secuencias) {
    if (my($nombre, $secuencia) = /^>(\d+)(.+)/sm) {
        my $i = $secuencia =~ tr/C/C/;
        print "$nombre\t\t$i\n";
    }
}
 
print "Hay ", scalar(@secuencias), " secuencias en tu archivo\n";
 
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

Línea 8: aquí modificamos el delimitador de lectura, para que, en vez de leer del fichero línea a línea, leemos una secuencia entera
Línea 9: las leemos todas, metiendo cada una en un elemento del array
Línea 15: con una expresión regular sacamos la información que nos interesa
Línea 16: contamos las 'C'

por **manuel3180** » 2011-11-29 10:12 @467

Yo tengo una consulta algo similar: ¿cómo conseguir el porcentaje de G+C en una cadena de nucleótidos?. Recordemos que dicho porcentaje es un indicador de la presencia de un exon o exones en una cadena nucleotídica, es decir, un gen. ¡¡¡¡Saludos!!!!

por **explorer** » 2011-11-29 10:58 @498

Bueno, solo habría que contar las apariciones de 'C' y 'G':

my $i = $secuencia =~ tr/CG/CG/;

Y para sacar el porcentaje habría que dividir $i por la longitud de la $secuencia. Pero antes de usar length($secuencia), hay que limpiarla de espacios en blanco (los caracteres de fin de línea):

$secuencia =~ s/\s//g;

Y ya podemos calcular el porcentaje:

$porcentaje = $i / length $secuencia;

por **alemanmd** » 2011-11-29 12:44 @572

Gracias, explorer, el programa funciona muy bien.

Por si a alguien más le sirve, la última secuencia no la escribe en el archivo de salida. Solo hay que agregar lo siguiente:

Modificar esta línea agregando ROB para escribirla también

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

# Última secuencia
if ($nombre) {
    print "$nombre\t\t$i\n";
}
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

quedaría entonces

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

# Última secuencia
if ($nombre) {
    print ROB "$nombre\t\t$i\n";
}
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

Saludos perleros
Iván Alemán

por **manuel3180** » 2011-11-29 12:45 @572

¡¡¡¡¡ Muchas Gracias por la respuesta !!!!!

por **explorer** » 2011-11-29 17:11 @757

alemanmd escribiste:la última secuencia no la escribe en el archivo de salida

¿Dónde no sale? ¿En la segunda versión?

Pues a mí me sale... ¿estás seguro?

por **cocodrila** » 2012-05-08 10:38 @484

¡Hola!

Muy útil la información, ¡gracias!

Yo tengo un problema similar, pero en vez de buscar la "C" me gustaría que recorriera un array en el que están los 20 residuos (ej. @aminoacidos), de manera que contara cuántas veces aparece cada residuo en el total de secuencias (no necesito reiniciar el contador) pero no tengo claro cómo decirle que para cada $letra mire si equivalen a los elementos de @aminoacidos.

for $letra (@seq)
for ($i = 0; $i < @aminoacidos; $1++) # esto no cogerá el valor (A, R, ...), solo correrá 20 veces...
en cambio:
for $aa (@aminoacios)
if $aa eq $letra... # aquí no sé como indicar los distintos contadores, que tienen que ser contadores asociados a $aa[0], $aa[1], ...$aa[19]

¿Alguna sugerencia de hacia dónde tirar?

Y una cosa más. Si en vez de guardar las secuencias como elementos del array, lo leemos de la siguiente manera:

while ($line=<MSA>) {
chomp $line;
if ($line=~/^>/) {
@line=split(/\|/, $line);
$refseqid=$line[3]; # nombre proteína
} else {
$msa{$refseqid}.=$line; # secuencia proteína
}
}

¿Cómo puedo buscar el patrón en los values del hash? ¿Tengo que meter todos los values en un mismo array para luego recorrer elemento por elemento o con algo tipo "for (values %hash)", tendría que splitarlo y guardarlo en array?

Muchas gracias.

Foro - Perl en Español

Contador de cisteínas en una secuencia Fasta de aminoácidos

Contador de cisteínas en una secuencia Fasta de aminoácidos

Publicidad

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

codigo de programa para contar citsinas ("C"

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoácidos

Re: Contador de cisteínas en una secuencia Fasta de aminoáci

¿Quién está conectado?