Foro - Perl en Español

Hola perleros,

Tengo dos archivos de datos. El primero me indica el cromosoma, el nombre del gen (gene_symbol) y la posición central del gen en el cromosoma. Tengo 2000 filas. El segundo me indica el cromosoma, la posición inicial y final del gen y el identificador (ID) del gen. Tengo 35000 filas. Lo que necesito es obtener en un archivo resultante, el gene_symbol y su ID propio.

Para ello he pensado leer el archivo menor y guardar gene_symbol cromosoma y la posición central del gen en un array cada uno; luego leer el segundo archivo y pasar cada miembro de los arrays e interrogar el segundo archivo con condiciones secuenciales para que si la primera no se cumple pase a buscar en la siguiente fila, del estilo


Pero me surge la duda de, aparte de si está bien codificado, si seguirá buscando el mismo $pos dentro de la base de datos hasta que la lea entera una vez encontrado un valor que cumple ambas condiciones o si lo encuentra una vez y ya pasa al siguiente $pos.

Gracias por vuestra ayuda,

D.

if ($pos > $start & $pos <$end)

De entrada probablemente quieras incluir un >= aquí

Gracias pvaldes. Ya estuve pensando en eso, pero no creo que sea necesario porque $pos ha de estar incluido en el intervalo ($start,$end). Se supone que, aunque no sea exacto, $pos es el centro del gen que ha de estar en ese intervalo.

Hola Explorer,

aquí va un trocito de la lista


y un trocito de la base de datos


La base de datos es el archivo más grande que incluye a todos los de la lista. No sé si me coincidirán más pero el ejemplo de "lista" incluye dos genes que se llaman ACO2 (hacia el final) pero en distintos cromosomas, y el programa tiene que ver que uno coincide con el último de la base de datos porque su $pos está comprendido entre start-end de AT4G26970 y el otro con el penúltimo (AT1G62380) de la base de datos. Por tanto el resultado tendría que ser



Por otro lado, pensaba que @pos estaba inicializado en la línea 3 del script, pero igual lo tendría que modificar a

cierto, lo acabo de encontrar y justo lo iba a indicar,

Desgraciadamente, lo he escrito antes de probarlo, y ahora estoy revisando varias cosas. Lo vuelvo a adjuntar un poco mejorado ¡pero se me queda colgado en el primer while! normal, está mal empleado el filehandle, lo modifico y funciona.

danusol escribiste:> incluye dos genes que se llaman ACO2 (hacia el final) pero en distintos cromosomas

Los genes duplicados, sí, iba a preguntarte por ellos... tienes que definir previamente qué vas a hacer con eso... veo tres posibles enfoques:

1.- Simplemente quieres una lista única de todos los genes y sus ID y al mismo nombre corresponde la misma ID siempre, en cuyo caso tu sistema actual para separarlos no es óptimo porque corre muchos más ciclos de lo necesario, estás haciendo 70 millones de comparaciones para encontrar 2000 nombres y 2000 números.

Meter una comprobación previa debería ahorrar un considerable tiempo de cálculo.

if gen_ID YA existe en tu arreglo ... saltar al siguiente elemento en la comparación
else push gen_ID

2.- O bien quieres una lista de todos los genes por cromosoma, serán "diferentes" genes si están en diferentes cromosomas aunque tengan la misma información y tendrán ID distintas, en cuyo caso tienes que encontrar el modo de diferenciarlos, (y de entrada sería práctico denominarlos como cromosoma_gen-symbol, es decir aplicar un join() de los elementos 1+3 después de hacer el split() y trabajar sobre ello)

3.- O lo que buscas en realidad es sacar un hash con key = gen_symbol y como valor una lista de valores ID con un número indeterminado de elementos, que sería una variante de la segunda vía.