Question

我有一个蛋白质序列的FASTA文件。我想找到序列hxxhcxc是否存在于文件中，如果是，则打印出来伸展。这里，h =疏水的，c =带电的，x =任何（包括剩余的）残余物/ s。如何在Perl中执行此操作？

我能想到的是制造3个疏水，带电和所有残留物的阵列。将每个数组与具有FASTA序列的文件进行比较。我无法想到除此之外的任何事情，特别是如何维持秩序 - 这是主要的事情。我是Perl的初学者，所以请尽可能简单地解释。

PS：由于这只是一个序列，我可以简单地将内容复制到.txt文件，没有强制使用fasta文件（在这种情况下）。疏水性和带电荷是残基（氨基酸） - 有9个疏水残基和5个带电残基。正如您所提到的，它是大写单字母的氨基酸名称。所以我想要做的是在蛋白质序列（.txt文件/ fasta文件）中按顺序找到一个序列：疏水，任何，任何，疏水，带电，任何带电（hxxhcxc）。我努力重新构思我的问题 - 希望我现在好一点。

Answer 1

我不熟悉Fasta文件，但正则表达式似乎就是这样的方式。

用语言

如果您open要阅读的文件，您可以逐行处理文件，print - 仅处理与您指定的正则表达式匹配的行if。

代码

use strict;
use warnings;
use autodie;

open my $fh, '<', 'file.fasta';           # Open filehandle in read mode

while ( my $line = <$fh> ) {              # Loop over line by line

    print $line                           # Print line if it matches pattern
      if $line =~ /h..hc.c/;              # '.' in a regular expression matches
                                          # (almost) anything
}

close $fh;                                # Close filehandle

Answer 2

所以，你必须决定哪些是“疏水”氨基酸，但是让我们从V（aline），I（soleucine），L（eucine），F，W或C开始。

带电荷的氨基酸是E，D，R或K.使用此可以定义正则表达式（你会在下面看到）

如果您只是将文本文件中的整个序列解析为：

#!/usr/bin/perl

open(IN, "yourfile.txt") || die("couldn't open the file: $!");

$sequence = "";

while(<IN>) {
   chomp();
   $sequence .= $_;
}

if($sequence =~ /[VILFWC]..[VILFWC][EDRK].[EDRK]/) {
  print "Found it!\n";
} else {
  print "Not there\n";
}

在文件中查找氨基酸序列

2 个答案: