Foro - Perl en Español

Más sencillo... pues no se me ocurre cómo... está lo mínimo para leer el fichero, guardar la información y luego extraerla según lo indicado...

La estructura de datos es la mínima: por cada parte, tenemos unas @features_cds y un $origin. Lo del $origin está claro: todos los nucleótidos puestos en secuencia, en una variable escalar. Y las @features_cds es un array, del que cada elemento es un hash, que tiene como claves 'parte' y 'nombre', que guardan, respectivamente, el inicio y fin de la posición de la secuencia (en un array) y el nombre del gen.

Y luego a la hora de imprimir el resultado, consiste en repasar todas las @features_cds encontradas y sacar la información del $origin.

Si hay algo que no entiendes, pregunta por él. Si es todo, vamos por partes y te lo explico, pero supongo que sabrás algo de Perl, ya que, también supongo, que si te han encargado algo es porque habrás recibido algún curso o estarás aprendiendo por tu cuenta.

En cuanto a lo de extraer la secuencia de tres en tres se puede hacer de varias formas, siendo una de ellas el substr(), naturalmente.

Es una asignatura de mi carrera, pero tenemos un nivel muy básico y creo que demasiado básico e insuficiente para hacer este trabajo... así que me harías un gran favor si me lo explicases con más detalle.

He intentado hacer esta parte por mi cuenta mediante subrutinas que contienen bucles y tengo un problema porque no me me indica fallos en las mismas pero no me extrae lo que le pido. ¿Por qué me pasa eso?

Sin ver el código y el/los mensajes de error, es muy difícil saber qué es lo que está pasando.

Necesito solo la subrutina que me extraiga la línea del CDS, en concreto solo los dos números.

Pues eso ya está escrito en mi solución, donde pone



Después de esta línea, dispones de los dos números en las variables $1 y $2.

He logrado hacer una subrutina que me extraiga todas las secuencias desde el ORIGIN hasta las //. Sin números y sin saltos de línea. Por otro lado también he logrado extraer el CDS. Mi problema ahora es unirlo de tal forma que solo me extraiga la secuencia codificante, no sé como hacerlo.
Tengo por una parte

y por otra


¿Cómo puedo meter esta segunda parte en la primera para que me extraiga la secuencia codificante añadiendo un substr?

No sé porqué usas $$dna. ¿No será $dna? Lo mismo para @$annotation. ¿No será @annotation?

Ahora te falta extraer la secuencia. Al substr le tienes que dar el lugar de comienzo y la longitud de la cadena a extraer. El lugar de comienzo debe estar basado en 0.

Si ves mi código aparece:
y eso es lo que necesitamos: de la posición inicial le restamos 1 (porque la posición en substr se basa en 0) y la longitud de la cadena a extraer es la diferencia entre la posición inicial y final.

Ahora que me doy cuenta, ¿qué pasa si el CDS es como, por ejemplo, '123..123'. Entonces la diferencia sería 0 y el substr no nos devolvería nada. Pero supongo que en ese caso tendría que devolvernos al menos el nucleótido número 123.

Así que al final queda:
(O $$dna si quieres seguir usando eso).

Sí, esa es la estructura que he utilizado en el substr. El problema es que no sé cómo meter la parte del CDS y ese substr en el primer bucle foreach (que está dentro de una subrutina y me extrae todas las secuencias desde ORIGIN hasta //) que te mandé antes para que me funcione, es decir para que me extraiga solo la parte codificante. ¿Cómo lo hago? ¿Qué estructura me quedaría en el primer foreach para que funcione el programa?

Pues... en la parte en la que localizas un fin de secuencia, donde pones $in_sequence = 0;.

Debes tener en cuenta que en el fichero puede haber varios ficheros genbank unidos. Así que supongo que los bucles que estás poniendo ( foreach my $line (@genbank) ) se refieren a solo UNO de esos ficheros. Si no, tenemos un problema gordo: no puedes iniciar la búsqueda de partes CDS y ORIGIN empezando siempre por el principio, porque entonces no localizarías todas esas partes.

Podrías usar más banderas, para distinguir, además de estar en plena secuencia, si estás en una parte CDS. Y repetir esto para todas las líneas del fichero.

Lo principal es extraer la secuencia cuando sabemos que hemos leído un sección ORIGIN (porque suponemos que ANTES hemos leído una sección CDS y sabemos por dónde cortar).