Question

到世界各地的Perl Masters！

我有一个像这样的文件来解析并想要制作......

从第一列，ID，外显子信息，起始位置，结束位置和方向开始。当ID符合数字时，ID会增加1。

1   9239    712 8571    +
1   start_codon 712 714 +
1   stop_codon  8569    8571    +
2   3882    24137   24264   +
2   start_codon 24137   24139   +
3   3882    24322   24391   +
4   3882    24490   26064   +
4   stop_codon  26062   26064   +
5   4972    26704   26740   +
5   start_codon 26704   26706   +
6   4972    26814   27170   +
7   4972    27257   27978   +
7   stop_codon  27976   27978   +
8   10048   40161   41114   -
8   start_codon 41112   41114   -
8   stop_codon  40161   40163   -
9   272 43167   43629   -
9   stop_codon  43167   43169   -
10  272 43755   44059   -
10  start_codon 44057   44059   -

像这样....

1   9239    *712*   *8571*  +
1   start_codon 712 714 +
1   stop_codon  8569    8571    +
*X  9239    712 8571    +*
2   3882    *24137* 24264   +
2   start_codon 24137   24139   +
3   3882    24322   24391   +
4   3882    24490   *26064* +
4   stop_codon  26062   26064   +
*X  3882    24173   26064   +*
5   4972    *26704* 26740   +
5   start_codon 26704   26706   +
6   4972    26814   27170   +
7   4972    27257   *27978* +
7   stop_codon  27976   27978   +
*X  4972    26704   27978 +*
8   10048   *40161* *41114* -
8   start_codon 41112   41114   -
8   stop_codon  40161   40163   -
*X  10048   40161   41114   -*
9   272 *43167* 43629   -
9   stop_codon  43167   43169   -
10  272 43755   *44059* -
10  start_codon 44057   44059   -
*X  272 43167   44059   -*

每行都以X开头，但我的技能不能...... :(

对于第二列中的每个外显子编号忽略“start_codon”和“end_codon”，必须获得星号*之间的最小编号外显子位置和最大编号外显子位置。

这是我解析数据的基本代码......但我想，必须从头开始重新编码（我不知道如何插入'X'行

（对不起，我删除了代码，因为它不够好，可能会引起混淆......）

世界上的Perl大师赛，你能帮我吗???

谢谢！

AS TLP aked我把我的代码放回去。它令人尴尬的代码

use strict;

if (@ARGV != 1) {
    print "Invalid arguments\n";
    print "Usage: perl min_max.pl [exon_output_file]\n";
    exit(0);
}

my $FILENAME = $ARGV[0];
    my  $exonid = 0;
    my  $exon = "";
    my  $startpos = 0;
    my  $endpos = 0;
    my  $strand = "";
    my  $min_pos = 0;
    my  $max_pos = 0;

open (DATA, $FILENAME);

while (my $line = <DATA>) {
    chomp $line;

    if ($line ne "") {
        if ($line =~ /^(.+)\t(.+)\t(.+)\t(.+)\t(.+)/) {
        $exonid = $1;
        $exon = $2;
        $startpos = $3;
        $endpos = $4;
        $strand = $5;
        }
        if ($exon =~ /\d+/) {
            print $exonid,"\t",$exon,"\t",$startpos,"\t",$endpos,"\t",$strand,"\n";
        } else {
            print $exonid,"\t",$exon,"\t",$startpos,"\t",$endpos,"\t",$strand,"\n";
        }
    }
}

close (DATA);
exit;

如何比较最大值和最低值....

Answer 1

基本上你要做的就是通过这些线，跳过你不想要的线（即第2列中没有数字），记住同一组中每个新线的最小值/最大值，以及当第2列数改变时你打印并重新开始。使用此解决方案，您还必须在最后手动打印最后一组。

此代码使用内部DATA文件句柄来显示演示数据。只需将<DATA>更改为<>即可在目标输入文件中使用，如下所示：perl script.pl inputfile

use strict;
use warnings;
use List::Util qw(min max);

my $print;
my ($min, $max, $id);
while (<DATA>) {                   ###### change to <> to run on input file
    my @line = split;
    if ($line[1] !~ /^\d+$/) {                # if non-numbers in col 2
         print;                               # print line
         next;                                # skip to next line
    }
    if (!defined($id) or $id != $line[1]) {   # New dataset!
        say $print if $print;                 # Print and reset 
        $id = $line[1];
        $min = $max = undef;
    }
    $min = min($min // (), @line[2,3]);       # find min/max, skip undef
    $max = max($max // (), @line[2,3]);
    $print = join "\t", "X", $line[1], $min, $max;  # buffer the print
}
print $print;

__DATA__
1   9239    712 8571    +
1   start_codon 712 714 +
1   stop_codon  8569    8571    +
2   3882    24137   24264   +
2   start_codon 24137   24139   +
3   3882    24322   24391   +
4   3882    24490   26064   +
4   stop_codon  26062   26064   +
5   4972    26704   26740   +
5   start_codon 26704   26706   +
6   4972    26814   27170   +
7   4972    27257   27978   +
7   stop_codon  27976   27978   +
8   10048   40161   41114   -
8   start_codon 41112   41114   -
8   stop_codon  40161   40163   -
9   272 43167   43629   -
9   stop_codon  43167   43169   -
10  272 43755   44059   -
10  start_codon 44057   44059   -

<强>输出：

9239    712     8571
3882    24137   26064
4972    26704   27978
10048   40161   41114
272     43167   44059

Answer 2

如果我理解你的话，这是一种方式（未经测试！）来做你似乎要求的事情：

use strict;
use warnings;
use feature 'say';

# read first line, initialize accumulators, print it back
chomp($_ = <>);
my ($last_id, $last_exon, $min_start, $max_end, $last_strand) = split /\t/;
say $_;

# loop over remaining lines
while (<>) {
    chomp;
    my ($exonid, $exon, $startpos, $endpos, $strand) = split /\t/;

    if ($exon !~ /\D/ and $exon != $last_exon) {
        # new exon found, print summary of last one...
        say join "\t", "X", $last_exon, $min_start, $max_end, $last_strand;
        # ...and reset accumulators
        ($last_id, $last_exon, $min_start, $max_end, $last_strand)
            = ($exonid, $exon, $startpos, $endpos, $strand);
    }
    else {
        # previous exon continues, just update accumulators
        $last_id     = $exonid;
        $last_exon   = $exon     if $exon !~ /\D/;
        $min_start   = $startpos if $min_start > $startpos;
        $max_end     = $endpos   if $max_end < $endpos;
        $last_strand = $strand;  # should not really be needed
    }
    # ...and don't forget to print the original line back again
    say $_;
}
# end of file, print summary of last exon
print join("\t", "X", $last_exon, $min_start, $max_end, $last_strand), "\n";

基本上，我假设您要在第二列中遇到与该列中前一个数字不同的数字时打印以X开头的摘要行，并且该行与非第二列中的数值不应该触发摘要。此外，您可能也希望在文件末尾有一个摘要行。

如果$exon !~ /\D/仅包含数字，则表达式$exon将返回true。（具体来说，它会测试是否包含非 - 数字字符，因此空字符串也会匹配。）

我还没有考虑过一堆边缘情况，因为我不知道它们是否可能存在于您的数据中以及如果它们确实存在，您希望如何对待它们。例如，为了小心，人们可能希望在不太可能发生的情况下打印摘要，即当外显子数保持不变时链变化。类似地，一个细心的程序员可能想要考虑输入文件为空的可能性，或者第二行中包含非数字值的第一行的可能性。

至少use warnings，如果我假设的任何值总是数字，那么你会收到警告。

Perl数据解析和插入行

2 个答案: