☰

Как разрезать последовательность fasta на определенные числа и сгенерировать ORF

tag-icon • tag-icon text-processing bioinformatics
Как разрезать последовательность fasta на определенные числа и сгенерировать ORF

У меня есть файл, показанный ниже:

 CDS             join(36..56,37..67)
 CDS             36..183
 CDS             457..565
 CDS             join(505..519,521..596)
 CDS             join(577..591,725..770)
 CDS             join(516..591,725..899)
 CDS             508..556
 CDS             571..841
 CDS             complement(619..788)
 CDS             843..863

Я хочу напечатать определенное число нуклеотидов в диапазоне, как в файле (последовательность считывается из другого файла "sequence.fasta"). Например, для файла sequence.fasta как:

>gi1234 HIVgenome|NC_909999.1
AACTGCGTGTGTGTCCACACAACACTGGGGGACACACAACAACAACACTGGGGGACACACTGGGACAACACTGGGGGACAGGACACTGTACAACACTGGGTGTGTCGGGACAGTACACATGTTGGGGGGGTGTGTCGGACAACACTGGGGGACATGTGTGTACAACACTGGGGGACAGTGACGACGACAACACTGGGGGACACGAGCGTTGTGAGCAGGTGACAACACTGGGGGACAGTGTTTTTACAACACTGGGGGACATTTTTGAGCAGCGACGCAGCGTTGTGGGGTGTGTCGGAAGGTGTGTCGTGTGTCGTGTGTC

Outputp должен быть

36  -  56   ACAACAACAACACTGGGGGAC 

37  -  67   CAACAACAACACTGGGGGACAACACTGGGAC

& скоро...

до

843 - 863   GTGT....

Какой самый простой способ сделать это с помощью скриптов оболочки?

решение1

Этот вопрос требует больших усилий по программированию, чем может предложить этот форум (я зарабатываю на жизнь этим видом программирования).

TheФормат файла DDBJ/ENA/GenBank(первый файл в вопросе) является сложным и позволяет CDS (кодирующим частям геномной последовательности) быть не просто простыми или соединенными, но и дополненными и их комбинациями. Более того, позиционные координаты могут иметьмодификаторыкоторые необходимо будет учесть для универсального решения.

Лучше всего обратиться к местному биоинформатику (или программисту) или на форум по биоинформатике, например, StackExchange.Сайт биоинформатики. Они укажут вам на существующие инструменты для решения подобных задач или, зная биоинформатиков, дадут вам какой-нибудь необычный скрипт BioPerl/BioPython, который, скорее всего, сработает чаще, чем нет ;-)

Одинвозможныймаршрут будет использоватьИзвлекатель признаков GenBank, но его использование в режиме онлайн, скорее всего, не будет лучшим вариантом для чего-либо, кроме небольших наборов данных.

решение2

Хотя я и дал свой предыдущий ответ, я рассмотрел подзадачу извлечения определенной подпоследовательности из файла fasta. Решение состоит из двух частей:

  1. Скрипт shоболочки, который выполняет анализ командной строки и вызывает...
  2. Скрипт awk, который выполняет анализ файла fasta.

Я решил разместить это здесь, потому что это показывает

  1. Как выполнить синтаксический анализ параметров командной строки в скрипте оболочки.
  2. Что можно написать awkсценарий, а не просто awk«однострочные» сообщения.

Предположения:

  • Идентификатор последовательности будет располагаться сразу после >в строке заголовка, за которым следует символ пробела.
  • В данных последовательности нет пробелов.

Сценарий называется extract.sh.

Для запуска, получения последовательности для идентификатора последовательности gi1234между позициями 36 и 183 (включительно):

$ sh extract.sh -i gi1234 -a 36 -b 183 <sequence.fa
ACAACAACAACACTGGGGGACACACTGGGACAACACTGGGGGACA
GGACACTGTACAACACTGGGTGTGTCGGGACAGTACACATGTTGGGGGGGTGTGTCGGACAACACTGGGGGACATGTGTG
TACAACACTGGGGGACAGTGACG

Вывод неформатирован. В этом случае я взял данные в вопросе и вставил переносы строк после каждого 80-го символа перед запуском скрипта.

Скрипт оболочки ( extract.sh):

#!/bin/sh

usage() {
    cat <<USAGE_END
Usage:
    sh $0 -i seq_id -a start -b end <sequence.fa
USAGE_END
}

while getopts "a:b:i:" opt; do
    case $opt in
        a) start_pos="$OPTARG"  ;;
        b) end_pos="$OPTARG"    ;;
        i) seq_id="$OPTARG"     ;;
        *) usage; exit 1        ;;
    esac
done

if [ "x$seq_id" = "x" ]; then
    echo "Missing sequence ID (-i seq_id)"
    usage
    exit 1
fi

if [ "x$start_pos" = "x" -o "x$end_pos" = "x" ]; then
    echo "Missing either start or end coordinates (-a, -b)"
    usage
    exit 1
fi

if [ ! -f "extract.awk" ]; then
    echo "Can not find the extract.awk AWK script!"
    exit 1
fi

awk -v id="$seq_id" -v a="$start_pos" -v b="$end_pos" -f extract.awk

Сценарий awk( extract.awk):

# state == 0:   not yet at wanted sequence entry in file
# state == 1:   found sequence entry, not yet at start position
# state == 2:   found start position, not yet at end position

# off:  offset in sequence read so far

BEGIN   { state = 0 }

state == 0 && $0 ~ "^>" id " " {
    # We found the sequence entry we're looking for.
    state = 1;
    off = 0;
    next;
}

state > 0 && /^>/  {
    # New sequence header found while parsing sequence, terminate.
    exit;
}

state == 1 {
    len = length($0);

    if (len + off < a) {
        # Start position is not on this line.
        off += len;
        next;
    }

    state = 2;

    if (len + off >= b) {
        # Whole sequence is found on this line.
        print(substr($0, a - off, b - a + 1))
        exit;
    }

    # Output partial start of sequence.
    print(substr($0, a - off , len - (a - off) + 1))

    off += len;

    next;
}

state == 2 {
    len = length($0);

    if (off > b) {
        # (we should not arrive here)
        exit;
    }

    if (len + off < b) {
        # End position is not on this line.
        print($0);
        off += len;
        next;
    }

    # We found the end position, output line until end position
    # and terminate.
    print(substr($0, 1, b - off));
    exit;
}

решение3

Я решал похожую проблему, но столкнулся с некоторыми трудностями при попытке использовать скрипты, предоставленные в одном из ответов (оба — WSL и Mac)...

Поэтому я продолжил поиски и нашел довольно простое решение: это getfastaфункция из bedtoolsпакета!

https://bedtools.readthedocs.io/en/latest/content/tools/getfasta.html

Связанный контент