Foro - Perl en Español

por **Richard10** » 2013-04-03 17:45 @781

Soy nuevo en esto, pero sé que para muchas secuencias es más fácil usar Perl para editar las cabeceras FASTA para evitar errores en análisis posteriores. Mi problema es no saber cómo meter una línea de comandos. Tengo archivos de entrada:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

>gi|343457071|gb|JF424046.1| Streptomyces abikoensis strain KCTC 9662 recombinase A (recA) gene, partial cds

TCCACCGGGTCGACCGCTCTCGACGTCGCGCTCGGTGTCGGCGGCCTGCCGCGCGGCCGCGTGGTGGAGA

TCTACGGACCGGAGTCCTCCGGTAAGACGACCCTGACGTTGCACGCCGTGGCCAACGCCCAGCGGGCCGG

CGGCACCGTCGCCTTCGTGGACGCCGAGCACGCCCTCGACCCCGAGTACGCCAGAAAGCTCGGCGTCGAC

ATCGACAACCTGATCCTTTCCCAGCCGGACAACGGCGAGCAGGCTCTCGAGATCGTCGACATGCTGGTCC

>gi|78173104|gb|DQ234054.1| Streptomyces argillaceus strain ATCC 12956 RecA (recA) gene, complete cds

CCATGGCAGGCACCGACCGCGAGAAGGCCCTGGACGCCGCACTCGCACAGATTGAACGGCAATTCGGCAA

GGGCGCGGTCATGCGCATGGGCGACCGCTCGAAGGAGCCCATCGAGGTCATCCCGACCGGGTCGACCGCG

CTCGACGTGGCCCTCGGCGTCGGCGGTCTGCCGCGCGGCCGTGTCATCGAGGTCTACGGACCCGAGTCCT

CCGGCAAGACGACCCTGACCCTGCACGCGGTGGCGAACGCCCAGAGGGCCGGCGGCCAGGTGGCGTTCGT

GGACGCCGAGCACGCCCTCGACCCCGAGTACGCGCAGAAGCTCGGCGTGGACATCGACAACCTGATCCTG

TCCCAGCCGGACAACGGCGAGCAGGCCCTGGAGATCGTGGACATGCTCGTCCGCTCCGGGGCCCTCGACC

TGATCGTCATCGACTCCGTCGCCGCGCTCGTCCCGCGTGCGGAGATCGAGGGCGAGATGGGCGACAGCCA

CGTGGGTCTGCAGGCCCGTCTGATGAGCCAGGCCCTGCGGAAGATCACCAGCGCGCTCAACCAGTCCAAG

ACCACCGCGATCTTCATCAACCAGCTCCGCGAGAAGATCGGTGTGATGTTCGGCTCCCCGGAGACCACGA

CCGGTGGCCGGGCGCTGAAGTTCTACGCCTCCGTGCGGCTCGACATCCGGCGCATCGAGACGCTGAAGGA

>gi|388462170|gb|JQ738389.1| Streptomyces labedae recombinase A (recA) gene, partial cds

GCACTCGCACAGATTGAACGCCAATTCGGCAAGGGCGCGGTCATGCGCATGGGCGAGCGGTCGAAGGAGC

CCATCGAGGTCATCCCGACCGGGTCGACCGCGCTCGACGTGGCCCTCGGCGTCGGCGGCCTGCCGCGTGG

CCGTGTGGTGGAGATCTACGGGCCGGAGTCCTCCGGTAAGACGACCCTGACCCTGCACGCGGTGGCGAAC

GCGCAGAAGGCCGGCGGCCAGGTCGCGTTCGTGGACGCGGAGCACGCCCTCGACCCCGAGTACGCGAAGAColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

y quiero editarlo para tener un archivo de salida:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

>S_abikoensis

TCCACCGGGTCGACCGCTCTCGACGTCGCGCTCGGTGTCGGCGGCCTGCCGCGCGGCCGCGTGGTGGAGA

TCTACGGACCGGAGTCCTCCGGTAAGACGACCCTGACGTTGCACGCCGTGGCCAACGCCCAGCGGGCCGG

CGGCACCGTCGCCTTCGTGGACGCCGAGCACGCCCTCGACCCCGAGTACGCCAGAAAGCTCGGCGTCGAC

ATCGACAACCTGATCCTTTCCCAGCCGGACAACGGCGAGCAGGCTCTCGAGATCGTCGACATGCTGGTCC

>S_argillaceus

CCATGGCAGGCACCGACCGCGAGAAGGCCCTGGACGCCGCACTCGCACAGATTGAACGGCAATTCGGCAA

GGGCGCGGTCATGCGCATGGGCGACCGCTCGAAGGAGCCCATCGAGGTCATCCCGACCGGGTCGACCGCG

CTCGACGTGGCCCTCGGCGTCGGCGGTCTGCCGCGCGGCCGTGTCATCGAGGTCTACGGACCCGAGTCCT

CCGGCAAGACGACCCTGACCCTGCACGCGGTGGCGAACGCCCAGAGGGCCGGCGGCCAGGTGGCGTTCGT

GGACGCCGAGCACGCCCTCGACCCCGAGTACGCGCAGAAGCTCGGCGTGGACATCGACAACCTGATCCTG

TCCCAGCCGGACAACGGCGAGCAGGCCCTGGAGATCGTGGACATGCTCGTCCGCTCCGGGGCCCTCGACC

TGATCGTCATCGACTCCGTCGCCGCGCTCGTCCCGCGTGCGGAGATCGAGGGCGAGATGGGCGACAGCCA

CGTGGGTCTGCAGGCCCGTCTGATGAGCCAGGCCCTGCGGAAGATCACCAGCGCGCTCAACCAGTCCAAG

ACCACCGCGATCTTCATCAACCAGCTCCGCGAGAAGATCGGTGTGATGTTCGGCTCCCCGGAGACCACGA

CCGGTGGCCGGGCGCTGAAGTTCTACGCCTCCGTGCGGCTCGACATCCGGCGCATCGAGACGCTGAAGGA

>S_labedae

GCACTCGCACAGATTGAACGCCAATTCGGCAAGGGCGCGGTCATGCGCATGGGCGAGCGGTCGAAGGAGC

CCATCGAGGTCATCCCGACCGGGTCGACCGCGCTCGACGTGGCCCTCGGCGTCGGCGGCCTGCCGCGTGG

CCGTGTGGTGGAGATCTACGGGCCGGAGTCCTCCGGTAAGACGACCCTGACCCTGCACGCGGTGGCGAAC

GCGCAGAAGGCCGGCGGCCAGGTCGCGTTCGTGGACGCGGAGCACGCCCTCGACCCCGAGTACGCGAAGAColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Espero puedan ayudarme.

usamos perl para el procesamiento de todos los archivos gen*fasta
con la opción -p, queremos que se lean todas las líneas de los archivos, una a una. Para cada una de ellas, se procesará el programa indicado por la cadena que sigue a -E, y al final, saldrá por la salida estándar
además, con la opción -a queremos que las líneas sean partidas por el delimitador '|' y cada parte guardada en el array @F
lo que sigue es el programa indicado por -E:
- si la línea leída coincide con el patrón /^>/ (es una cabecera FASTA), procesamos la línea. Si no, no hacemos nada, y sale tal cual (por efecto de -p)
- en caso de ser una cabecera FASTA, sabemos que por efecto de -a tenemos en @F todos los campos de la cabecera. Nos interesa el campo número 4, que es donde está el nombre de la secuencia
- partimos entonces el campo $F[4] (con split()), pero esta vez usando los espacios en blanco como delimitadores. El resultado queda en @n. En $n[0] queda el nombre primero de la secuencia y en $n[1], el segundo
- ahora modificamos el valor de la variable $_, que por defecto es el valor de la línea recién leída, y es el valor que -p sacará fuera. Como lo que queremos es modificar solo la cabecera, pues esa es la variable que queremos cambiar, y solo en ese momento (cuando sabemos que acabamos de leer una cabecera)
- primero ponemos el ">" de la cabecera
- de $n[0] solo nos quedamos con la primera letra (extraída con substr())
- le sigue un "_" y le sigue $n[1] entero. Y un retorno de carro, para terminar la línea
- como excepción, está la variable $.. Esta variable almacena el número de líneas leídas. En el código estamos preguntando si la línea leída (la de la cabecera) es la primera (o sea, del primer archivo). Si es así, no hace nada, pero si no, saca un retorno de carro adicional, delante, de la nueva línea modificada
finalmente, la salida se almacena en salida.fasta

El resultado es una salida como la que pedías.

Foro - Perl en Español

Ayuda con edición de cabeceras FASTA

Ayuda con edición de cabeceras FASTA

Publicidad

Re: Ayuda con edición de cabeceras FASTA

¿Quién está conectado?