Question

我是Perl和脚本的新手，但我需要一个代码来研究我的。我正在尝试计算存储在multiFASTA文件中的DNA序列中11聚体的频率。通过将我找到的一些脚本合并在一起，我写道：

#!/usr/bin/perl

$k = 11;  @bases = ('A','C','G','T');
@words = @bases; open FILE1, ">kmers.txt" or die $!;
for $i (1..$k-1)  {
   undef @newwords;
   foreach $w (@words)
   {
       foreach $b (@bases)
       {
          push (@newwords,$w.$b);
       }
   }
   undef @words;
   @words = @newwords;  
}
foreach $w (@words) {  
   print FILE1 "$w \n"; 
} 
close FILE1;   
my $input=$ARGV[0]; 
my $output=$ARGV[1];
open(IN,"<$input") || die ("Error opening $input $!"); 
open OUT, ">$output" or die $|; my $line = <IN>;  
print OUT $line; 
while ($line = <IN>) { 
   chomp $line; 
   if ($line=~m/^>/) { 
      print OUT  "\n",$line,"\n"; 
   } else { 
      print OUT $line; 
   } 
} 
print OUT "\n";

chomp $seq; chomp $k;
#obtain all distinct kmers open FILE2, ">out.txt" or die $!;

for $line (@lines) { 
   if ($line=~m/^>/) { next; } 
}
foreach($i=1; length($line) >= $k; $i++)    {   
   $line =~ m/(^.{$k})/;  
   $w{$1}{cnt}++;
   push @{$w{$1}{pos}}, $i;  
   $line= substr($seq, 1, length($line)-1);
   foreach $line (keys %kmers)    {
      print FILE2 "$kmers\n";
   }
   close FILE2; 
   close OUT;    
}

基本上，它读取文件，将所有序列行放在一行中的单独文件中，写下所有11个文件并创建一个“out.txt”文件，我希望他在其中存储11-序列标题mer频率。这是困难的部分（对我来说）：如何告诉脚本为每个序列写入序列标题以及11mer频率？

Answer 1

经过一些修改代码后，我制作了这个：

use strict;
use warnings;
my $in_file = $ARGV[0];
my $out_tvir = $ARGV[1];
my $k = $ARGV[2];
my %seq_hash; # key = seq_name, value = seq;
{
# redefine the record separator
local $/ = ">";
open IN, "<$in_file";
my $in_line = <IN>; # toss the first record
while ( $in_line = <IN> ) {
    chomp $in_line; # remove the ">" character in the end 
    my ( $seq_name, $seq ) = split( /\n/, $in_line, 2 );
    $seq =~ tr/ \t\n\r//d;    # Remove whitespace
    $seq_hash{$seq_name} = uc $seq;
}
close IN;
}

open OUT, ">$out_file";
open OUT2, ">$out_tvir";
foreach my $seq_name ( sort keys %seq_hash ) {
chomp $k;
%kmers = ();
while (length($seq_hash{$seq_name}) >= $k)
    {
    $seq_hash{$seq_name}=~ m/(^.{$k})/;
    $kmers{$1}++;
    $seq_hash{$seq_name}= substr($seq_hash{$seq_name}, 1,         length($seq_hash{$seq_name})-1);
    }
    $num_kmers = keys %kmers;
$px=();
$logpx=();
my $H=();
foreach $str (keys %kmers)
{
    my $px=$kmers{$str}/$num_kmers;
    $logpx=log($px);
    $H -= $px * log($px);
    if ($H <= 18) {print OUT2 ">$seq_name\t$H\n";}
}
}
close OUT;

...哪种工作，如果我省略了最后一个“if（$ H ...”部分，只是让脚本通过列出与每个序列相关的所有H值来完成工作。我无法想象但是，为什么会这样。

Answer 2

user2029917，您对未声明的变量有一些问题，这会阻止脚本在use strict;打开的情况下运行;我做了一些修改并稍微清理了一下。

#!/usr/bin/perl
use strict;
use warnings;

my $in_file = $ARGV[0];
my $out_tvir = $ARGV[1];
my $k = $ARGV[2];

my %seq_hash; # key = seq_name, value = seq;
{
    # redefine the record separator
    local $/ = ">";
    open IN, "<", $in_file or die "Can't open ${in_file}: $!";
    my $in_line = <IN>; # toss the first record
    while ( $in_line = <IN> ) {
        chomp $in_line; # remove the ">" character in the end 
        my ( $seq_name, $seq ) = split( /\n/, $in_line, 2 );
        $seq =~ tr/\t\n\r//d;    # Remove whitespace
        $seq_hash{$seq_name} = uc $seq;
    }
    close IN;
}

open OUT, ">", $out_tvir or die "Can't open ${out_tvir}: $!";
foreach my $seq_name ( sort keys %seq_hash ) {
    chomp $k;
    my %kmers;
    while (length($seq_hash{$seq_name}) >= $k) {
        $seq_hash{$seq_name}=~ m/(^.{$k})/;
        $kmers{$1}++;
        $seq_hash{$seq_name}= substr($seq_hash{$seq_name}, 1, length($seq_hash{$seq_name})-1);
    }
    my $num_kmers = keys %kmers;
    my $px;
    my $logpx;
    my $H;
    foreach my $str (keys %kmers) {
        my $px=$kmers{$str}/$num_kmers;
        $logpx=log($px);
        $H -= $px * log($px);
        if ($H <= 18) {print OUT ">$seq_name\t$H\n";}
    }
}

close OUT;

exit;

它现在应该运行，但是我不确定这个脚本是否会产生你想要的输出。例如，对于给定的k-mer，它将为其出现的每个FASTA条目打印H'值（无论FASTA条目如何，它都将始终是相同的值，因为它是根据总出现次数和总数计算的。 k-mers）。目前，它没有打印参考k-mer。这可以通过将最后一位更改为print OUT ">$seq_name\t$str\t$H\n";来修复，但我不确定这是否是您所追求的行为。如果您能提供有关所需输出的更多详细信息，我们可能会提供更多帮助。

Answer 3

你不需要创建一个中间文件来强制每个序列成为一行，你的循环计数11mers可以更简单，我不明白为什么你要用所有可能的11mer创建kmers.txt，因为你不要用它。另外，还有一些语法错误和未使用的变量。你不需要第三个参数来改编。如果你把它关掉，默认就会结束。

除了这些问题之外，请注意可能存在4 ^ 11个可能的11个，这可能性接近4.2M。你的deflines将是巨大的（取决于你正在分析的序列的长度）。我猜想，除非你在分析重复序列，否则一个典型的基因会超过一千个11mer。您可能会考虑在您的defline中仅包含任意数量的最丰富的11mer（除非您计划以编程方式处理输出 - 但即便如此，长线也可能存在问题）。

你提交的答案有一些额外的意图，不在你的问题中，但暂时搁置一边，这就是我如何编写脚本以在你的序列中包含前5个11mer频率（任意选择5号之间的任何关系）地点）。我不会解决其他人建议你的正确编码练习问题 - 但你应该注意这些建议。

my $input=$ARGV[0]; 
my $output=$ARGV[1];

my $defline = '';
my $seq = '';
my $topkmers = '';

open(INPUT,$input);
open(OUTPUT,">$output");
select(OUTPUT);

while(<INPUT>)
  {
    chomp;
    if(/^>/)
      {
        if($seq ne '')
          {
            $topkmers = getTopKMers($seq,11,5);
            print("$defline $topkmers\n$seq\n");
          }
        $defline = $_;
        $seq = '';
      }
    else
      {$seq .= $_}
  }
#Take care of the last record
if($seq ne '')
  {
    $topkmers = getKMers($seq);
    print("$defline $topkmers\n$seq\n");
  }

close(INPUT);
close(OUTPUT);

sub getTopKMers
  {
    my $seq = uc($_[0]);
    my $size = $_[1];
    my $top = $_[2] - 1;   #Submit a 0 to get all kmers
    my $hash = {};

    #Create the abundance hash
    for(my $p = 0;$p < (length($seq) - $size);$p++)
      {push(@{$hash->{substr($seq,$p,$size)}},$p}

    #Sort by abundance
    my @sorted = sort {scalar(@{$hash->{$b}}) <=> scalar(@{$hash->{$a}})} keys(%$hash);

    #Get the top few most abundant kmers
    my @toplist = $top > -1 ? @sorted[0..$top] : @sorted;

    #Creates a string like "ATGCATGCCAA[20]=1,2,... CGTAGCTCTAG[18]=6,23,..."
    my $str = join(' ',
                   map {
                        "$_\[" .
                        scalar(@{$hash->{$_}}}) .
                        "]=" .
                        join(',',@{$hash->{$_}})
                       } @toplist);

    return($str);
  }

这可以消除排序并合并几个步骤以提高效率，但是可以说更容易阅读代码。

注意：我没有运行此代码，所以请原谅我忽略的任何错误。

Kmer和Perl一起算

3 个答案: