Foro - Perl en Español

Buenos días.

Partimos de un archivo de texto con cadenas de DNA en formato FASTA:



Y queremos que nos devuelva el ID de la cadena con el porcentaje de CG más elevado, éste incluido.

La salida sería:


¿Alguien sabría cómo hacerlo?

Gracias.

Bienvenida a los foros de Perl en Español, eliavalls.

Yo creo que se puede resolver muy fácilmente.

En estos foros encontrarás muchos ejemplos de cómo leer un archivo así. Busca por 'fasta' o 'multifasta'.

Una solución rápida sería:



Esta solución también aparece en varios hilos de este subforo de Bioinformática. Naturalmente, hay otras formas.

Prueba a ver si lo sacas. Si te atascas, vuelve por aquí y te daremos más pistas.

¡Muchísimas gracias por la ayuda! Tenía la idea pero no sabía cómo hacerlo.

Y si, por ejemplo, también quisiera que me calculara el porcentaje de GC por ventanas (con un tamaño de ventana de 10 y un tamaño de paso de 5) de cada secuencia. ¿Cómo se haría? Uno de los resultados sería:

70
50
50
60
60
60
50
50
60
70
80
70
60
80
70
50
42.8571428571429

Humm... no me entero de cómo quieres hacerlo. ¿Puedes explicarlo de forma más detallada?

En el archivo de texto hay 3 secuencias. Si, por ejemplo, cogemos esta:



El porcentaje de GC de toda la secuencia es de:

60.919540

Pero si queremos calcular el porcentaje de GC por ventanas deslizantes (sliding windows) con un tamaño de ventana igual a 10 y un paso de ventana igual a 5 (coger 10 bases y calcula el porcentaje GC de estas 10; después avanza 5 bases y vuelve a coger 10; así sucesivamente). Nos devuelve los porcentajes de cada ventana por separado:

70
50
50
60
60
60
50
50
60
70
80
70
60
80
70
50
42.8571428571429

Yo he conseguido calcular el porcentaje de cada secuencia y que me devuelva el más grande, pero no sé cómo hacer que me calcule el porcentaje de una secuencia por partes.

Si la secuencia a analizar la tienes en una variable escalar puedes usar un bucle for para ir recorriendo las ventanas:

for (my $i = 0; $i < length $seq; $i += $winstep) {

y dentro del bucle, extraes las ventanas con substr():

my $window = substr $seq, $i, $winsize;

Y le aplicas el cálculo de porcentajes a $window.

Debes tener precaución con las ventanas que hay al final de la secuencia. Quiero decir que la última ventana es muy posible que no tenga un tamaño de 10 bases (salvo que la longitud de la secuencia principal sea múltiplo de 10). En el caso de que substr() te devuelva una ventana más pequeña, el porcentaje debería calcularse sobre el tamaño de esa ventana.

De forma programática, el caso normal y este caso especial se pueden resolver con las mismas líneas. Sería así:

y ya tienes calculado el porcentaje para esa ventana.

¡¡¡Muchísimas gracias!!! Sí, ya tenía en cuenta que podría ser que el último substr() me devolviera una ventana más pequeña. Ahora ya está todo solucionado. Gracias de nuevo.