我有另一个数据处理问题。所以我有这个tab限定数据的.gtf文件，我需要提取某些功能。这之前我只需要为每个基因中的每个“外显子”类型提取基因ID，POS1和POS2，这就更简单了。我需要做同样的事情，但是我首先需要找到每个外显子的POS1和POS2相对于它在基因中的位置。现在，POS1和POS2列基于整个基因组上TYPE的位置进行编号（这就是数字如此之高的原因）。还有另一个问题，如果股线是 - ，这是相反的。如果你看PITG_00002，你可以看到终止密码子似乎在起始密码子之前。这是因为所有内容都相对于+（模板）链编号。以下是数据表的示例：
GENE ID TYPE POS1 POS2 STRAND
PITG_00003 start_codon 38775 38777 + 0
PITG_00003 stop_codon 39069 39071 + 0
PITG_00003 exon 38775 39071 + .
PITG_00003 CDS 38775 39068 + 0
PITG_00004 start_codon 39526 39528 + 0
PITG_00004 stop_codon 41492 41494 + 0
PITG_00004 exon 39526 40416 + .
PITG_00004 CDS 39526 40416 + 0
PITG_00004 exon 40486 40771 + .
PITG_00004 CDS 40486 40771 + 0
PITG_00004 exon 40827 41494 + .
PITG_00004 CDS 40827 41491 + 2
PITG_00002 start_codon 10520 10522 - 0
PITG_00002 stop_codon 10097 10099 - 0
PITG_00002 exon 10474 10522 - .
PITG_00002 CDS 10474 10522 - 0
PITG_00002 exon 10171 10433 - .
PITG_00002 CDS 10171 10433 - 2
PITG_00002 exon 10097 10114 - .
PITG_00002 CDS 10100 10114 - 0
因此，对于每个基因，我需要相对于“起始密码子”TYPE的位置在1处开始数字。不幸的是，对于 - STRAND（例如PITG_00002）上列出的基因，该数字是倒退的。因此对于这些情况，编号需要从相对于start_codon的POS2的1开始并且在外显子的POS1处结束。
所以对于每个外显子我需要一个新的POS1和POS2，我称之为POSA和POSB。
为了获得每个外显子的POSA，我会这样做：
POS1 of "exon" - POS1 of "start_codon" + 1 = POSA
为了获得每个外显子的POSB，我会这样做：
POS2 of "exon" - POS1 of "start_codon" + 1 = POSB
以PITG_00004为例：
POSA = 39526-39526 + 1 = 1
POSB = 40416 - 39526 + 1 = 891
然后对每个基因中的每个外显子做同样的事情，使用该基因的start_codon位置来重置编号。除了负链的情况，在这种情况下我必须这样做：
为了获得每个外显子的POSA，我会这样做：
POS2 of "start_codon" - POS2 of "exon" + 1 = POSA
为了获得每个外显子的POSB，我会这样做：
POS1 of "start_codon" - POS1 of "exon" + 1 = POSB
最终我想得到这个：
PITG_00002 exon 1 49
PITG_00002 exon 90 352
PITG_00002 exon 409 426
PITG_00003 exon 1 297
PITG_00004 exon 1 891
PITG_00004 exon 961 1246
PITG_00004 exon 1302 1969
我不确定如何为+链做另一种方式，为另一种方式做另一种方式。我最近经常使用python，但我也可以使用perl。
答案 0 :(得分：1)
Perl解决方案。使用哈希来存储有关每个基因的信息。 @idxs数组用于避免重复公式。
#!/usr/bin/perl
use warnings;
use strict;
use feature qw(switch);
my %hash;
<>; # Skip header.
while (<>) {
my ($id, $type, $pos1, $pos2, $strand, undef) = split;
given ($type) {
when ('start_codon') {
$hash{$id}{start} = [$pos1, $pos2];
$hash{$id}{strand} = $strand;
}
when ('stop_codon') {
$hash{$id}{stop} = [$pos1, $pos2];
}
when ('exon') {
push @{ $hash{$id}{exons} }, [$pos1, $pos2];
}
}
}
for my $id (sort keys %hash) {
my @idxs = '+' eq $hash{$id}{strand} ? (0, 1) : (1, 0);
for my $exon (@{ $hash{$id}{exons} }) {
my $posa = 1 + abs $hash{$id}{start}[$idxs[0]] - $exon->[$idxs[0]];
my $posb = 3 + abs $hash{$id}{start}[$idxs[1]] - $exon->[$idxs[1]];
print "$id exon $posa $posb\n";
}
}
答案 1 :(得分：0)
好的，这是您问题的解决方案（至少对于我所理解的）： 它基于pandas库（http://pandas.pydata.org/），这是目前python中数据分析的黄金标准。
首先加载您的数据：
data = pd.read_csv('genetest.csv', sep='\t',
converters={'STRAND': lambda s: s[0]})
转换后只是将多余的字符从stra列中剥离出来，只留下+或 - 。
现在你去使用groupby函数来按序列方向和基因名称分离你的序列
groups = data.groupby(['STRAND', 'GENE_ID'])
这将使您的数据集返回具有相同链方向和基因名称的片段，并且您可以分别处理它们中的每一个。因此，我们将它们作为字典项（键，值对列表）进行迭代，并对它们进行操作。
corrected = []
for (direction, gene_name), group in groups:
print direction,gene_name
# take the index of the element you are going to subtract to the others
start_exon = group.index[group.TYPE=='start_codon'][0]
# now you perform your normalization and put it back into your group
if direction == '+':
group['POSA'] = 1 + group.POS1 - group.POS1[start_exon]
group['POSB'] = 1 + group.POS2 - group.POS1[start_exon]
else:
group['POSA'] = 1 - group.POS2 + group.POS2[start_exon]
group['POSB'] = 1 - group.POS1 + group.POS2[start_exon]
print group
# put into the result array
corrected.append(group)
# join them together to obtain the whole dataset with the POSA and POSB
new_data = pd.concat(corrected)
print new_data
这就是你获得的：
GENE_ID TYPE POS1 POS2 STRAND POSA POSB
0 PITG_00003 start_codon 38775 38777 + 1 3
1 PITG_00003 stop_codon 39069 39071 + 295 297
2 PITG_00003 exon 38775 39071 + 1 297
3 PITG_00003 CDS 38775 39068 + 1 294
4 PITG_00004 start_codon 39526 39528 + 1 3
5 PITG_00004 stop_codon 41492 41494 + 1967 1969
6 PITG_00004 exon 39526 40416 + 1 891
7 PITG_00004 CDS 39526 40416 + 1 891
8 PITG_00004 exon 40486 40771 + 961 1246
9 PITG_00004 CDS 40486 40771 + 961 1246
10 PITG_00004 exon 40827 41494 + 1302 1969
11 PITG_00004 CDS 40827 41491 + 1302 1966
12 PITG_00002 start_codon 10520 10522 - 1 3
13 PITG_00002 stop_codon 10097 10099 - 424 426
14 PITG_00002 exon 10474 10522 - 1 49
15 PITG_00002 CDS 10474 10522 - 1 49
16 PITG_00002 exon 10171 10433 - 90 352
17 PITG_00002 CDS 10171 10433 - 90 352
18 PITG_00002 exon 10097 10114 - 409 426
19 PITG_00002 CDS 10100 10114 - 409 423
顺便说一句，你在问题中写下了错误的距离修正，它应该是
POS1 of "start_codon" - POS2 of "exon" + 1 = POSB
对于具有几何意义的倒置字符串（并获取您发布的值）