bioperl入门级 教程.docx_第1页
bioperl入门级 教程.docx_第2页
bioperl入门级 教程.docx_第3页
bioperl入门级 教程.docx_第4页
bioperl入门级 教程.docx_第5页
已阅读5页,还剩20页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

初品BioPerl(第一篇:让BioPerl在你的电脑上安家)九月 18, 2010Perl的模块有两类,一类是内置在Perl中的,比如小驼书中提到的CGI,File:Basename等,所以你无须另外下载安装这些模块即可使用它们;另一类则是与Perl相分离的,所以你要下载并安装才可以使用它们。很不幸,BioPerl属于后者。而且,安装过程对某些人某些电脑来说不是很容易。 首先,如果你恰巧跟上了因Ubuntu10.04的发行带来的Linux崇拜潮流,已经成功抛弃了Windows Xp转向Ubuntu的话,那么恭喜你,安装BioPerl和安装gimp之类的应用软件一样简单!打开新立德软件包管理器,输入BioPerl搜索,出现的第一项就是(目前的版本是1.6.1),然后右键点击选择“安装”,系统就会自动把所有依赖的软件包全部安装上。怎么样,是不是很方便呢?而且将来某一天若BioPerl有了更新,可以很方便地使用新立德来升级。 当然,如果大家都这么方便的话,我就不用写这篇文章啦!对于使用其他Linux和Unix系统的人来说可能未必有这种软件包管理器(即使有,在软件源里也未必有BioPerl的安装文件)。但是所有的类Unix系统应该都支持“源代码编译安装”的方式(这是不少Linux高手自认为很酷的装软件方法,哪怕现在还有好多人在用。新手最好不要用,很容易出现问题)。 对于这些类Unix系统的用户来说,安装BioPerl和安装一些普通的软件方法是一样的,步骤是: (1)下载BioPerl的源代码,并解压。我提供两个网址:/DIST/BioPerl-1.6.1.tar.gz/CPAN/authors/id/C/CJ/CJFIELDS/BioPerl-1.6.1.tar.gz (2)进入该目录,然后执行下列命令:$ perl Build.PL$ ./Build test# ./Build install 注意:执行./Build install时必须要有系统管理员权限。 这种方法看起来好像挺简单的,但其实不太容易。因为BioPerl和许多其他模块有依赖关系,所以在安装过程中系统会反复询问你是否要安装XX模块。你最好要在连接Internet的情况下安装才行。如果你只想用BioPerl的核心模块,不想使用额外附加功能,可以选择不安装。但我不敢保证以后使用是否会出现问题。* 分割线 * 接下来要处理最麻烦的一种操作系统:Windows。因为在Windows上使用“源代码编译安装”并不容易(甚至可以说就是不行的!)。 如果你的英文水平还不错,请阅读以下文章:/wiki/Installing_Bioperl_on_Windows 如果你实在不想看英文,请跟着我走: 相信大多数Windows用户应该是使用ActivestatePerl的版本,首先确保它是最新的。安装BioPerl有两种方式: (1)使用ActivestatePerl的PPM(Perl包管理器)来安装。这种方法速度很慢,如果你机器配置不够好的话只有等着死机。 (2)使用命令行模式安装。这种方法经过我测试,很稳定,强力推荐。注意安装全过程必须要有稳定的Internet连接 你需要执行的命令是:C: ppm-shell(回车出现下一行)ppmppm repo add/DISTppm repo add uwinnipegppm repo add trouchelleppm install BioPerl 注意看仔细了,别打错字母! 根据小驼书的说法,判断系统上是否已经安装了一个模块,可以尝试使用perldoc命令查看模块的文档。如果能够查阅它的文档,说明已经安装成功了,否则呢,还是自己找一下原因吧! 对于BioPerl来说,我们可以查看其中的一个模块的文档:perldoc Bio:Seq不要自作主张地写成perldoc BioPerl !找不到的!因为并不存在BioPerl.pm这种模块,它只是一个统称而已。对于Ubuntu用户来说,perldoc这个命令默认没有安装,自己手动把它安装上去即可。 BioPerl安家之后,我们就可以尽情地享受它带来的乐趣。初品BioPerl(第二篇:构造一条fasta序列)十月 8, 2010接下来我们就来讨论BioPerl的用法。根据一句经典名言,Perl的用途“90%与文本处理有关,10%与其它事务有关”(改编自小驼书),Perl语言的强项就在于文本处理(当然主要是纯文本,和许多Unix工具如grep, awk, sed等工具类似哦!),而恰好大多数生物信息学数据都是以纯文本的形式存放的(包括蛋白质、核酸等序列文件,序列比对文件,进化树文件等),所以BioPerl当初设计的初衷就是为了分析、处理这些文本数据文件。当然随着模块越来越多,BioPerl的功能也扩展了,现在也有人喜欢用BioPerl作为下载工具来下载序列,或者用来运行blast程序等。虽然不是不可以,但我并不建议这么做,因为通过BioPerl来运行的blast程序肯定没有直接运行的blast程序来得快,来得灵活。正如同想要删除一个文件,我们一般都会执行rm file.txt,而不会另外编一个Perl程序说:perl -e unlink file.txt。 进入正题啦!首先,生物信息学处理最多的问题是什么?当然就是蛋白质和核酸序列喽!生物大分子序列的书写有好多种格式,如Fasta, Genbank, EMBL, SwissProt等。其中Fasta是最简单的序列格式,所以我们先来学习使用BioPerl来构造fasta序列。当然这在实际工作上意义不大,因为大部分序列应该从数据库中下载得到(或者通过程序运算出来),而不是自己构造出来的。我们在下一篇会学习如何从文件中提取fasta序列。现在还是先打基础吧。 _ fasta格式的序列是这样的: 也就是说,上面这条序列的“名称”是:gi|147605|gb|J01673.1|ECORHO “描述”是:E.coli rho gene coding for transcription termination factor 序列则是下面的一大段 当然,这条序列的名称比较复杂,如果是自己“构造”序列,自然没必要用这么复杂的名称,可以只叫ECORHO或者叫Ecolirho都行。但千万注意。由于BioPerl一般是把从大于号开始一直到第一个空格出现的字段认为是“名称”,所以序列的名字中不要出现空格。如果你把序列的名字叫做E.coli rho,把头字段写成这样:E.coli rho E.coli rho gene coding for transcription termination factorBioPerl会认为“名称”是E.coli(从大于号开始到第一个空格出现),而“描述”是 rho E.coli rho gene coding for transcription termination factor,结果会把你搞得稀里糊涂的,要想不引发岐义,可以这么写:E.coli_rho E.coli rho gene coding for transcription termination factor 呵呵,只加上一条下划线,就对了。如果我们的序列是从NCBI这样的数据库里下载下来的,无须担心名称和描述的问题,但有时序列是通过其他程序运算出来,需转入下一道工序加工,这时取个好听的名字就很重要。 知道了fasta序列的格式之后,我们可以用一般的Perl程序“编”出这样一条序列:#!/usr/bin/perl -w%a_fasta_seq=(“display_name”=“gi|147605|gb|J01673.1|ECORHO”,#这是序列的名称“desc”=“E.coli rho gene coding for transcription termination factor”,#这是序列的描述“seq”=“AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG”,) 然后可以把它打印出来:print$a_fasta_seqdispaly_namet$a_fasta_seqdesc$a_fasta_seqseqEOF 这种方法的优点是步骤十分清晰,只是太麻烦了一点。如果要构造一个GenBank序列,则得写N长的print。还有,如果要构造许多条fasta序列,也不方便。总不能写%fastaseq1, %fastaseq2, %fastaseq3吧? 下面我们就来看看用BioPerl该怎么写:#!/usr/bin/perl -wuseBio:Seq;#加载Bio:Seq模块。$seq_obj=Bio:Seq-new;#调用Bio:Seq模块的new方法,可以建立一个序列对象,命名为$seq_obj。#给这个新建的$seq_obj对象赋予三个属性的值:dispaly_name(序列的名称),desc(序列的描述)以及seq(序列的内容)$seq_obj-display_name(“gi|147605|gb|J01673.1|ECORHO”);$seq_obj-desc(“E.coli rho gene coding for transcription termination factor”);$seq_obj-seq(“AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG”); 第一句是模块的加载,会把相关的新函数(其实是“方法”)加载进来。 第二句的语法其实在小驼书中已提到过:调用了Bio:Seq模块中的new方法。对于调用面向对象的模块的方法(以前说“函数”,在OO术语中称“方法”)要使用“全名”的方式来调用,语法是:模块名(Bio:Seq)+瘦箭头(-)+方法名(new)。顺便透露一个小秘密:所有面向对象的模块都有一个叫做“new”的方法,它的功能简单且重要:创建一个新的对象。 会一点Perl的人都应该会创建一些所谓的“数据结构”,比如说: 创建一个标量: $scalar; 创建一个数组: array; 创建一个哈希: %hash; 因为标量、数组和哈希都太“简单”啦,而且是Perl内置的数据结构,在标量、数组或哈希里以什么样的方式来组织数据都是Perl自己已经定好了的(注意是组织数据的方式而不是数据的内容哦!)。而对象则可以看成是自己定义的一种数据结构,我们可以给对象赋予一些属性来描述它(有点类似于在哈希中放入键值对来描述你创建的哈希)。但是创建的对象不像标量、数组或哈希那样有前缀($, 和%),在Perl中对象是用存放它的地址来表示的,而恰恰凑巧的是,地址(一般叫做“引用”)的前缀就是$。 所以,创建一个Bio:Seq对象就是这样:$seq_obj=Bio:Seq-new; 你可能还会为两个问题而困惑:(1)问:为什么要使用new函数来返回一个对象,而不是像创建标量那样直接写$seqobj就行了呢? 答:因为对象是需要我们自定义的,所以我们需要写一个子程序来定义对象的结构(其实是它的属性和方法,只是空的白纸,还没有填入内容),而碰巧这个子程序的名称就叫new,并且别人已经帮我们写好且内嵌在Bio:Seq模块(以及以后我们要用的其他模块)里了。 (2)问:对象的名称一定要以obj结尾吗? 答:不需要。你完全可以写$seq=Bio:Seq-new; ,这样也是创建了一个名字叫做seq的对象,但是到后来你会搞不清$seq究竟是一个存放序列字符串的标量标量呢还是一个存放(指向)整个序列信息的对象呢?所以,既然对象没有”前缀“,我们就自己给它加一个“后缀”上去。 创建了一个seq_obj对象之后,我们可以为它“赋值”。先来回顾一下其他数据结构是怎么赋值的: 给标量赋值: $scalar=”Hello!n”; 给列表赋值: array=(1, 2, 3, 4, 5); 给哈希赋值: %hash=(“key1=”vlaue1, “key2=”value2); 对象“赋值”的方式比较特殊。对于这个Bio:Seq(以及许多BioPerl对象)对象来说,是采取调用方法来“赋值”。$seq_obj-display_name(“gi|147605|gb|J01673.1|ECORHO”);$seq_obj-desc(“E.coli rho gene coding for transcription termination factor”);$seq_obj-seq(“AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG”); 而且,和标量、数据、哈希一样,对象的创建和“赋值”可以合并为一步:#!/usr/bin/perl -wuseBio:Seq;$seq_obj=Bio:Seq-new(-display_name=“gi|147605|gb|J01673.1|ECORHO”,-desc=“E.coli rho gene coding for transcription termination factor”,-seq=“AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG”); 第一眼看去,这个程序有点像哈希赋值,但“胖箭头”左边的“键”有点不同寻常,带了短横线。 我们来看看前面一大堆操作创建出来的$seqobj对象到底是怎样的。现在我们已经赋予了它三个属性:displayname, desc, seq,即所谓fasta序列的“三要素”:名称、描述和序列。赋予了这些“值”之后,我们可以查看它们,当然直接打印$seq_obj是行不通的(正如同我们不能自己打印%hash一样),而是要通过调用“方法”来返回可打印的字符串:my($fasta_name,$fasta_desc,$fasta_seq);#创建了三个普通的标量变量来存放三个属性值$fasta_name=$seq_obj-display_name;#调用对象的display_name方法来得到名称$fasta_desc=$seq_obj-desc;#调用对象的desc方法来得到描述$fasta_seq=$seq_obj-seq;#调用对象的seq方法来得到序列#现在可以打印三个属性值了print“NAME:t$fasta_namenDESCRIBE:t$fasta_descnSEQUENCE:t$fasta_seqn”; 结果将是这样:NAME: gi|147605|gb|J01673.1|ECORHODESCRIBE: E.coli rho gene coding for transcription termination factorSEQUENCE: AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG 如果仅此而已,那BioPerl是没有任何用途的(和直接创建一个哈希%afastaseq一模一样嘛!)。这里面当然是大有文章啦。比如,当我们给一个哈希(或数组)赋值之后,我们除了能查到刚赋值的内容(若干项或所有项)之外,还能查到好多其他内容呢!比如,可以查看数组元素的个数啊(使用scalar array),哈希的键列表啊(使用keys %hash)等等。对于这个$seq_obj对象,功能就更加强大了。 我们可以直接数出序列的长度:$fasta_seq_length=$seq_obj-length;# 得到序列的长度,70 我们可以查阅这段序列究竟是DNA还是蛋白质。$fasta_property=$seq_obj-alphabet;# 返回dna,看来Perl猜对啦 由此可以看出来,电脑还是很聪明的,但提供电脑程序的人绝对比电脑更聪明。初品BioPerl(第三篇:从本地文件中获取fasta序列)十月 16, 2010上一篇讲的是怎样自己“编造”一条fasta序列,说实话确实没什么实际上的用处,充其量也就是了解fasta序列的构造以及Bio:Seq对象能使用的属性、方法等(注意啦:如果你对这些内容还不是很清楚,请先不要往下看,先回去把上一篇看明白哦!)。在实际工作中,我们并不会真的像上一篇讲得那样,自己一项一项地给$seq_obj“赋值”,正如同我们很少对一个哈希逐项赋值一样(我们一般都是从文件或其他信息来源中读入、提取数据并存放到哈希中),而是通过其他来源(其实主要就是存放着fasta序列的文本文件)来将序列“读”到$seq_obj中。让Perl自己来输入显然比我们自己动手敲键盘快多喽!这样我们就有更多的时间来上网冲浪。 嗯,那我们还是拿上一篇提到的fasta序列为例子,现在这条fasta序列是放在一个名字叫做ecorho.fasta的文本文件里的(比上一篇要生动多喽,上一篇这条fasta序列可是我们自己手工输入到程序源代码里的),大家可以自己去NCBI网站下载一条fasta序列来练习,也可以点击这里下载这条ecorho.fasta序列来练习。其实,一个文本文件可以放成百上千条fasta序列,但现在我们先练习一条。 文件准备好了,我们要干什么呢?还记得fasta序列的三要素吗?我们当然是想知道它的名称、描述和序列内容喽!有了这些信息,我们就可以做别的事情,比如判断它是DNA还是蛋白质啦,看看序列有多长啦,各种碱基或氨基酸比例啦在学习BioPerl之前,我们一般会这么做:#!/usr/bin/perl -wopenFH,“ecorho.fasta“;# 打开ecorho.fasta文件while()chomp;# 如果这一行的开头是,就说明是描述的一行,可以提取序列的名称和描述if(/)# 从开始到第一个空白出现为“名称”,之后的内容为“描述” ($display_name,$desc)=/(.*?)s(.*)$/;# 如果这一行的开头不是,则就是序列行。由于序列可以分为好几行,所以要把每一行的序列都连接起来。else$seq.=$_;# 现在“三要素”已经提取出来,可以进一步分析了。先来计算序列的长度。$seq_length=length($seq);# 我们可以判断序列是DNA还是蛋白质if($seq=/atgcATGC/)$seq_type=“protein”;else$seq_type=“dna”;# 打印一些信息print”而不是默认的”n”,这样Perl就会把两个之间的内容看成“一行”,不同的fasta序列就分开来了),也可以解决问题,但是我们发现这样一来问题并没有变得简单。如果要分析的是多个庞大的genbank序列,还是会把人搞糊涂。好啦,我们来看看用BioPerl该怎么做。 在传统的思路中,我们一般是通过钻石操作符()从文本文件中一行一行地读取数据(可以是真正意义上的“一行”,也可以是“一块”,只要你设定了输入分隔符 $/就行),把这一行的数据以字符串的形式存放在某个标量变量中(一般就是$_),然后再用正则表达式提取所需的信息。在BioPerl中情况稍有不同,我们是把一整条序列的“信息”存放到某个序列对象里(我喜欢写成$seq_obj),然后通过该对象的一些属性和方法来获取我们所需要的信息(而不是正则表达式,因为$seq_obj可不是字符串哦!)。 上一篇中,我们是自己敲打键盘把序列的信息输入到$seq_obj对象里面的,这样太麻烦了。既然现在fasta序列已经规规矩矩地排在文件里面了,有没有办法能直接把整条序列“输入”到$seq_obj里呢?有的。这个方法很特殊,它要借助另外一个模块生成的对象:Bio:SeqIO对象。 Bio:SeqIO模块可以打开、读取特定的序列文件,比如fasta文件,得到的结果是一个特殊的对象:SeqIO对象。它的属性和方法与之前提到的Seq对象不大一样。(说实话,关于对象的事情比较纠结:整个Perl世界中只有一种数组,一种哈希,看过小驼书的人都知道怎样操作数组、哈希;然而整个Perl世界中却有无数种对象,它们的操作方法没有统一的规则,只有自己去看模块说明文档) 首先我们要用use语句来加载需要用的模块:useBio:SeqIO;useBio:Seq; # 透露个小秘密:其实这句话可以不写,因为SeqIO模块“包括”了Seq模块 注意大小写,不要写成Seqio了,BioPerl的难点就在这里:你必须熟记很多模块和方法的名称。虽然记不住的时候可以翻阅文档,但还是记几个比较常用的为好。 然后就可以创建一个SeqIO对象来读取文件(注意,SeqIO对象是用来读写文件使用的,而Seq对象是用来存放序列使用的,别混淆啦!),还记得上一篇提过的怎样创建一个新的对象吗?其实熟练了以后是很简单的哦:模块名(Bio:SeqIO)+瘦箭头(-)+方法名(new),上一篇也说过,所有面向对象的模块(Bio:Seq,Bio:SeqIO)都有一个叫做new的方法,它的功能简单而且重要:创建一个新的对象。在这里,我们直接把SeqIO对象的创建与“赋值”合而为一。那么怎样为SeqIO对象“赋值”呢?因为SeqIO对象是用来读取文件的(或写入文件,我们以后再说),所以你当然需要告诉Perl两件事:(1)你要读取的序列文件叫什么名字?然后把它“赋值”给-file!(2)你要读取的序列文件是什么格式?然后把它“赋值”给-format! 对于本例来说,我们要读取的序列文件叫做ecorho.fasta,文件格式是fasta,所以我们要创建SeqIO对象可以这么写:$catchseq_seqio_obj=Bio:SeqIO-new(-file=ecorho.fasta,-format=fasta);# 注意,现在“打开“文件不是写成 open 了! 我在这里创建的SeqIO对象的名字取得很复杂:$catchseq_seqio_obj,其实是有原因滴!后缀名seqio_obj表示这是一个SeqIO对象,以便于在后续调用中让自己易于识别(Perl本身并不需要为创建的对象取任何后缀名,但是我自己需要呵!),前面的名称catchseq意思是我创建的这个SeqIO对象是用来读取文件的。(因为SeqIO对象还有写入文件的作用,但语法有所不同。以后我们会遇到这样的问题:从一个大的序列文件中读取几条序列,再以另一种格式写入一个新的文件中,如果都叫做$seqio_obj,Perl不一定会混淆,但你自己肯定会混淆) 好了,文件ecorho.fasta已被“打开”,怎样读取里面的内容呢?相信你现在应该已经熟悉BioPerl的思维(其实是面向对象的思维)了吧?我们不是希望像以前那样一行一行地读取文本字符串,而是希望把完整的一条fasta序列读进Seq对象里(就是上一篇常写的$seq_obj啦!)。方法是:调用刚刚建立的SeqIO对象的next_seq方法。$seq_obj=$catchseq_seqio_obj-next_seq;# next_seq方法将返回一个Seq类型的对象,这里写作$seq_obj 现在,这条fasta序列的各种信息都已经存在$seq_obj里了,于是我们就可以像上一篇那样通过调用Seq对象的方法来获得需要的信息。$display_name=$seq_obj-display_name;# 序列的名称$desc=$seq_obj-desc;# 序列的描述$seq=$seq_obj-seq;# 序列字符串$seq_type=$seq_obj-alphabet;# 序列的类型(dna还是蛋白质?)$seq_length=$seq_obj-length;# 序列的长度# 再透露个小秘密,其实对象$seq_obj的属性和方法还很多呢。比如,你可以从里面截取一段序列,还可以求它的互补序列。所有的这些细节都不需要你自己计算,放心地写-就行了!# 至于这些方法叫什么名字,你可以查看BioPerl网站的教程:初学者起步 你或许会认为:这样子操作好像与普通的方法相比简单不了多少。别急!我们现在在文件中只放了一条序列,如果有两条以上的序列,我们想分别取出他们的名称、长度等信息,这时你用常规方法就很麻烦了。但是使用BioPerl却相对要简单的多,其秘诀就在SeqIO对象的next_seq方法里。 文件中有多条fasta序列,怎么办? 我们假设你在sequence.fasta里放了两条fasta序列。首先,还是老方法,“打开”这个文件(千万不要写open)。$catchseq_seqio_obj=Bio:SeqIO-new(-file=sequence.fasta,-format=fasta); 然后,调用SeqIO对象的next_seq方法,你将得到第一条序列,可以把它放在$seq1_obj里:$seq1_obj=$catchseq_seqio_obj-next_seq;# 接下来可以提取它的各种信息了,序列名称、序列长度等 那么第二条序列怎么办呢?你可以再调用一次SeqIO对象的next_seq方法,这时它返回的将是第二条序列,可以把它放在$seq2_obj里:$seq2_obj=$catchseq_seqio_obj-next_seq;# 接下来可以提取它的各种信息了,序列名称、序列长度等 再往下,其实下面已经没有序列了。如果你的好奇心无可救药,可以再调用一次SeqIO对象的next_seq方法试试看:$seq_obj=$catchseq_seqio_obj-next_seq;# 因为下面没有序列了,所以返回来的是undef 所以,与其要不厌其烦的写$seq1_obj,$seq2_obj不如来个while循环来得快捷:while($seq_obj=$catchseq_seqio_obj-next_seq)# 在这儿处理每个序列的信息$display_name=$seq_obj-display_name;# 以下省略 每次循环处理一条序列,多么简洁清晰!(当然你要把每次处理的结果保存起来,比如打印到表格里,不然下次循环不就覆盖了上次么?)不管两三条序列,还是成千上万条序列,都不怕了! 哦哦!这一讲就到这里为止啦。顺便再提一句,在进行这一讲的练习时,需要你自己先从诸如NCBI这样的网站上手动下载一些fasta序列的文本文件(相信这应该难不倒大家吧?),再使用BioPerl来分析这些文本文件。事实上,BioPerl还可以作为一个下载工具从远程数据库下载序列文件。欲知后事如何,请听以后分解。 _初品BioPerl(第四篇:从本地文件中获取Genbank序列)十月 30, 2010这一篇哪,其实主要是复习性质的。你可以松口气,边欣赏、边回味用世界上最美的程序语言(Perl)是如何解析复杂的、神秘的生物大分子序列的。BioPerl比普通的Perl更简单吗? 如果你只是解析简单的fasta序列的话,BioPerl未必很简单,甚至刚开始还比普通的Perl更加难懂呢但是如果你准备解析一些很复杂的序列格式(或程序输出结果),比如Genbank,SwissProt,EMBL,blast这时BioPerl威力就显现了。什么时候使用BioPerl? 看一下两个例子,你就明白啦例子一:小明、小王、小红的各科成绩。放在文件score.txt里name math English computerXiaoming 90 84 91Xiaowang 83 88 82Xiaohong 89 94 85例子二:三条fasta序列。放在文件sequence.fasta里xiaomingCGCTATTCAACAAGGCATTCCCCCAAGTTTGAATTCTTTGAAATAGATTGCTATTAGCTAAGATAAGAACGAAAAGGAAGGATATGGCTAAAGAAACATCTGCAATGCTTTTATTAAAAAxiaowangACCTAGCGACTCTCTCCACCGTTTGACGAGGCCATTTACAAAAACATAACGAACGACAATxiaohongGCAGACTCGGTGGAAGAGGTGATATATGGTGCAGTGTAGCTAGCAGACTCGGTGGAAGACAGATAAGAACGAAAAGGAAGGATATGGCTAAAGAAACATCTGCAATGCTTTTATTAAAAA 看出区别来了吗?第一个文件score.txt,每行的信息都是独立的(第1行:标题;第2行:小明成绩;第3行:小王成绩;),相信不用我说大家也该知道了:这样的文件很适合用Perl来处理(如果你还想懒一些,甚至连Perl程序都不用写,直接使用awk之类的Unix命令行工具都行)。第二个文件sequence.fasta,不同行的信息却是有关联的(小明的在13行,小王的在45行,)由于Perl只能一行一行地读入信息,就比较麻烦。Genbank序列与fasta序列有什么不同? 从前面两篇中可以看出,fasta序列“非常简单”,只有序列的名称、描述以及序列字符串。当然你也可以在名称或描述中写入其它对你来说有用的信息(比如,基因的边界在哪儿?内含子的边界在哪儿?),但是BioPerl只能摘取整个描述,还是不认得你在里面写了什么。 相比而言,Genbank序列能描述的内容就非常丰富(类似的还有SwissProt,EMBL等格式的序列),除了名称、描述和序列字符串以外还有序列号、形状(线状还是环状?)、发布日期、所属物种以及序列内包含的基因、RNA、CDS、内含子(如果有的话)Whats more,这些信息并不是你想怎么写就怎么写的,而都是有一定的规范格式,故BioPerl可以准确地识别并提取这些信息。所以,我强烈建议你不要自行修改下载得到的Genbank序列,否则BioPerl会迷路。如何从本地文件中提取Genbank序列? 差不多该问这个问题了。如果你已经熟记了前面两篇的内容,应该会依葫芦画瓢了(先到NCBI网站上下载一条Genbnak序列来联系吧!但要短一点的那种)。假设我们下载了一条Genbank序列保存在一个叫做ecorho.gbk 的文本文件里(扩展名不是必需的,我只是为了便于辩认),就能很快地写出如下代码:useBio:SeqIO;$catch_seq=Bio:SeqIO-new(-file=ecorho.gbk,-format=genbank);$seq_obj=$catch_seq-next_seq; 我在这里偷懒了一点:第二句代码中创建的SeqIO对象我直接写成$catch_seq,把后缀名seqio_obj省掉了。如果你一直不放心$catch_seq是什么的话,还是把后缀加上去比较好。也可以使用ref函数来检查一下$catch_seq究竟是什么。ref($catch_seq); 在这个例子中该函数会返回Bio:SeqIO:genbank,所以说明$catch_seq是一个Bio:SeqIO类型的对象!如果$catch_seq只是一个普通的标量的话,不会有返回值。 可以接着往下说了,因为GenBank文件的信息很丰富,所以在绝大多数情况下从数据库中下载得到一个Genbank的文件一般都只有一条序列,所以我们还可以偷懒一些,把文件的读取和序列的读取合并起来:$seq_obj=Bio:SeqIO-new(-file=ecorho.gbk,-format=genbank)-next_seq; 一行语句中出现两个瘦箭头,不习惯吧?但这确实是Perl高手们很习惯的写法。注意:如果一个文件中有多条序列,那是不能这么写的。请老老实实按照上一篇所给的格式写。 最后的问题是,-format参数该怎么写?读取fasta文件时我们写-format=fasta,读取Genbank文件时我们写-format=genbank,那么其它的格式呢?比如SwissProt格式,是不是写-format=swissprot呢?不是的,其实应该写成-format=swiss,关于Bio:SeqIO模块究竟支持哪些序列格式,以及格式的写法,请到/wiki/HOWTO:SeqIO看一看。如何获取序列的信息? 怎样从$seq_obj对象里把genbank序列的信息提取出来呢?我们还是依葫芦画瓢,照着上一篇提到的几项内容,代进去试试看:$display_name=$seq_obj-display_name;# 序列的名称$desc=$seq_obj-desc;# 序列的描述$seq=$seq_obj-seq;# 序列字符串$seq_type=$seq_obj-alphabet; # 序列的类型(dna还是蛋白质?)$seq_length=$seq_obj-length; # 序列的长度 你就会愉快地发现它们都能返回一些有趣的信息,$seq_obj能调用的方法还有一些,在/wiki/HOWTO:Beginners的Table3中有详细的描述。下面这张图列举了调用$seq_obj的某些方法之后能返回什么。(点击查看原图) 当你看了这个表(或这张图)之后可能会非常吃惊:我们调用这些方法所返回的都是些无关紧要的信息。我们是想要这条序列的发表日期、序列号、关键词吗?显然不是。我们更想要物种名以及序列里面包含的基因、mRNA、CDS等元件的位置、名称、序列等信息。这么多内容跑哪儿去了?哈哈,这个要留待以后再说。BioPerl有另外一套机制来获取它们。处理多个Genbank文件 到目前位置我们使用Bio:SeqIO模块都是只读取一个序列文件。而有时我们经常想读取好几个Genbank文件,当然一个很简单的方法是先用某些Unix命令把要处理的一连串gbk文件都合并为一个,再进行操作就行了。比如可以使用Shell重定向来合并文件:cat *.gbk combine.gbk #把当前目录下面所有的Genbank文件都合并到combine.gbk 当然对于没有相关命令可用的用户来说就太痛苦了。其实BioPerl也是可以读取多个文件的,只是模块要换一下,不是Bio:SeqIO了,改成Bio:SeqIO:MultiFile,useBio:SeqIO:MultiFile;# 读取a.gbk和b.gbk两个文件$catch_seq=Bio:SeqIO:MultiFile-new(-files=a.gbk,b.gbk,-format=genbank);while($seq_obj=$catch_seq-next_seq)dosth 或者这样:useBio:SeqIO:MultiFile;# 读取当前目录下面所有后缀名为gbk的文件。$catch_seq=Bio:SeqIO:MultiFile-new(-files=glob “*.gbk”,-format=genbank);while($seq_obj=$catch_seq-next_seq)dosth 语法和Bio:SeqIO很像,当然你应该写成-files而不是-file,把要处理的文件的列表传给-files就行了,别忘了加上中括号,因为列表是不能当成哈希的值的哦!引用才可以。从命令行中传入参数 如果我们想用前面的代码处理另一个Genbank文件(比如seq.gbk),我们必须打开源代码文件,把-file=ecorho.gbk改成-file=seq.gbk,这样子太麻烦了。事实上这些要处理的文件的名字应该由用户来决定,而不是由你写在源代码里。有没有办法像“钻石操作符”()那样通过命令行参数读入文件名呢?当然可以,而且还很简单,请看:useBio:SeqIO;$filename=shiftARGV;# 从命令行中读取文件名,而不是写在程序里$catch_seq=Bio:SeqIO-new(-file=$filename,-format=genbank); 呵呵,这样子这几行代码就可以处理世界上所有的Genbank文件了,再也不需要修改源代码了。 如果想读取多个文件,也是可以的,稍微修改一下就行了,换汤不换药的。useBio:SeqIO:MultiFile;filenames=ARGV;$catch_seq=Bio:SeqIO:MultiFile-new(-files=filenames,-format=genbank);初品BioPerl(第五篇:序列格式的转换)十一月 17, 2010有的时候,从远程数据库里下载得到的基因序列、蛋白质序列是诸如Genbank、EMBL或SwissProt之类的复杂格式,而如果要对这些序列进行blast或clustalw之类的比对,就必须把它们转换成fasta格式的序列才行

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论