Foro - Perl en Español

Qué tal... soy nuevo en esto de BioPerl... necesito su ayuda...

Tengo un archivo con varias secuencias de proteína. Necesito extraer un segmento de esa secuencia que siempre empieza con C y termina con TF; bueno, en algunos casos es con SF o LF. Necesito extraer ese pedazo de secuencia y el nombre de la misma.

Por ejemplo...

>secuencia1
MMNPOTADCQQYYTRPWTF

>secuencia2
URPACMNLEPPOAAADKRRCMQ
HTHWPPYTF

y la salida más o menos así

Código: Seleccionar todo

secuencia1                  CQQYYTRPWTF
secuencia1                  CMQHTHWPPYTF

Si alguien me pudiera ayudar se los agradecería mucho.

Simplemente quiero saber cómo extraer un fragmento de un texto. Es con expresiones regulares... pero en ocasiones ese fragmento va a estar en 2 líneas... ¿cómo lo puedo extraer de esa manera? Para que me respete lo que estoy buscando y que tome en cuenta nueva línea en caso de que haya.

Gracias

Bueno, esta es una forma un poco pedestre de hacerlo...



Definimos una subrutina que nos localiza el extracto, en caso de que tengamos alguna $secuencia que analizar.

En la expresión regular, esperamos que $secuencia contenga toda la secuencia de nucleótidos. Y buscamos el siguiente patrón: Una letra 'C' seguida de cero o más letras (*) que no sean 'C' ([^C]), y seguidas finalmente por alguna de las combinaciones TF, SF o LF.

En la parte de lectura del fichero, vamos leyendo línea por línea. Si es una línea de nombre de secuencia, la guardamos para el futuro. Si es una línea en blanco, buscamos el extracto (solo una vez). Y si no es nada de eso, suponemos que hemos leído una parte de la secuencia, así que la vamos almacenando en la variable del mismo nombre.

Después del bucle, hay que hacer otra búsqueda, por si hemos terminado de leer el fichero pero no hemos encontrado una línea en blanco. Si no lo hiciéramos, no veríamos el último extracto.

Gracias por la ayuda del código... la función... de buscar el extracto me funcionó de maravilla... solo le hice un cambio... pero así está la idea... nada más una pregunta.... si está en un formato fasta y se encuentra el fragmento que estoy buscando en dos renglones... ¿cómo puedo hacerle para que me lo tome en cuenta...? ¿podría ser con $ al final así como está en la condición?

No. Si está en dos renglones -que supongo que quiere decir que puede existir un carácter de nueva línea enmedio-, entonces debes indicar a la expresión regular que '.' también equivale a ese carácter.

Debes agregar la opción /s al final. Algo así:


Siempre es mucho más cómodo leer la secuencia entera y tratarla como un conjunto de letras, y no con excepciones.

En varios hilos de este sitio web hemos hablado del formato FASTA. Usa el sistema de búsqueda para encontrar más formas de leer ese tipo de ficheros.

ok... sí... ya, ya lo chequé... y sí, esa es la manera más factible... sí me toma los espacios en blanco sin ningún problema...

Qué tal... mira... lo he probado con la /s... pero no me funciona... lo he pensado hacer con un chop();... pero no sé qué tan factible sea esta opción... mira éste es más o menos el tipo de archivo que voy a utilizar...

>NT01KV0002|transposase 617 aa
MVEQYGRVKRFLPAMLRDLHFQSAPAGENTLSAIHYLAELSGSKKRLLENAPEQIITGPW
KRLVYDSEGRIQRAGYSLCLLERLQDSLRRRDIWLENSDRWGDPRQKFLQGKEWQAQRIA
VCRALGHPTDGGNAVKQLATELDETWKTVASRFELNAAVSICHQGKYPSLTISSLEKLEE
PQPLILLNSRVRQLVPPVDLTELLLEIDARTGFTREFTHVSESEARAQDLNISLCCQQYD
DLPPTFAVLLAEACNIGHEPLIKHSIPALTRHRLSWVKQNYIRAETLVSANARLVDFQST
LELSERWGGGEVASADGMRFVTPVKTLNSGPNRKYFGSGRGITWYNFVSDQYSGFHGIVI
PGTLRDSIFVLEGLLEQQTGLNPVEIMTDTGGSSDIIFGLFWLLGYQFSPRLADAGEAVF
WRADKNANYGVLDELARGCVELSKIETQWDEMMRVSGSLKLGTVHASELVGSLLKSSRPS
GLAQAIMEVGRVNKTLYLLNYIDDEEYRRRILTQLNRGEGRHAVARAICYGQRGEIRKRY
REGQEDQLGALGLVTNAVVLWNTLYMQEALSHLRSAGEIPEDEHISRLSPLMYGHINMLG
HYTFTLPENILKGELRPLNFNSNNELLP
>NT01KV0003|transposase 617 aa
MVEQYGRVRRFLPHLLNTVKFSSAPAGVTTLNACDYLSREFSSRRQFFDDAPTEIISRSW
KRLVINKEKHITRRGYTLCFLSKLQDSLRRRDVYVTGSNRWGDPRARLLQGADWQANRIK
VYRSLGHPTDPQEAIKSLGHQLDSRYRQVAARLGENEAVELDVSGPKPRLTISPLASLDE
PDSLKRLSKMISDLLPPVDLTELLLEINAHTGFADEFFHASEASARVDDLPVSISAVLMA
EACNIGLEPLIRSNVPALTRHRLNWTKANYLRAETITSANARLVDFQATLPLAQIWGGGE
VASADGMRFVTPVRTINAGPNRKYFGNNRGITWYNFVSDQYSGFHGIVIPGTLRDSIFVL
EGLLEQETGLNPTEIMTDTAGTSELVFGLFWLLGYQFSPRLADAGASVFWRMGHDANYGV
LNDIARGQSDPRKIVLQWDEMIRTAGSLKLGKVQASVLVRSLLKSERPSGLTQAIIEVGR
INKTLYLLNYIDDEDYRRRILTQLNRGESRHAVARAICHGQKGEIRKRYTDGQEDQLGAL
GLVTNAVVLWNTMYMQAALDHLRAQGETLNDEDIARLSPLCHGHINMLGHYSFTLAELVT
KGHLRPLKEASEVENVACQQSYSTPRATF

Y cuando ejecuto el programa con este archivo... solo me encuentra el de la segunda secuencia...

He modificado mi programa anterior porque el fichero de ejemplo que acabas de poner no concuerda con el primer ejemplo que pusiste. En concreto:

1.- No tiene la línea en blanco que pensaba que sí tenía, pero en el segundo ejemplo no lo hay

2.- Puede darse el caso de que exista más de un extracto en la misma secuencia. Por eso, he cambiado el if() por un while() junto con la opción /g para hacer una búsqueda por toda la secuencia.

Ahora, con el fichero que has puesto, me sale:

Código: Seleccionar todo

NT01KV0002|transposase 617 aa   CQQYDDLPPTF
NT01KV0002|transposase 617 aa   CNIGHEPLIKHSIPALTRHRLSWVKQNYIRAETLVSANARLVDFQSTLELSERWGGGEVASADGMRFVTPVKTLNSGPNRKYFGSGRGITWYNFVSDQYSGFHGIVIPGTLRDSIFVLEGLLEQQTGLNPVEIMTDTGGSSDIIFGLF
NT01KV0002|transposase 617 aa   CYGQRGEIRKRYREGQEDQLGALGLVTNAVVLWNTLYMQEALSHLRSAGEIPEDEHISRLSPLMYGHINMLGHYTF
NT01KV0003|transposase 617 aa   CNIGLEPLIRSNVPALTRHRLNWTKANYLRAETITSANARLVDFQATLPLAQIWGGGEVASADGMRFVTPVRTINAGPNRKYFGNNRGITWYNFVSDQYSGFHGIVIPGTLRDSIFVLEGLLEQETGLNPTEIMTDTAGTSELVFGLF
NT01KV0003|transposase 617 aa   CHGHINMLGHYSF
NT01KV0003|transposase 617 aa   CQQSYSTPRATF

Otra cosa. El chop() elimina el último carácter de la línea. Esa es la razón de que use en mi programa chomp(), que es más seguro, porque solo quita el último carácter si ese carácter es un final de línea.

Sí, lo que pasa es que el otro era solo un ejemplo con el que estaba trabajando... pero en realidad voy a hacerlo con un archivo multifasta... Es por eso que lo empecé a ejecutar con este ejemplo más claro... Perdón... pero es que soy nuevo en esto... ¿le puedo poner después de la expresión regular que me encuentre el motivo {1,20} para que no me ponga los motivos más grandes?

Ok, encontré... una solución... siendo un poco más estricto con la reg-exp... espero que así sí funcione...