Question

我正在尝试处理以下文件：

http://bioinfo.mc.vanderbilt.edu/TSGene/Human_716_TSGs.txt

...由700多条记录组成，每条记录有11个制表符分隔字段。每个记录由相同的重复类别组成，即GeneID，Gene_symbol，Alias，Xref，Chromosome，Cytoband，Full_name，Gene_type，Description，Nucleotide_Sequence和Protein_Sequence。我想提取所有的GeneIDs（所有记录中的第一个字段），所有的cytobands，以及所有的蛋白质序列，并构建一个复杂的数据结构，例如：

$genes->{$gene_name}{$cytoband} = $protein_sequence;

我的问题是我只能抓住第一条记录（11个字段）并将它们分配到列表中。我不知道如何捕获和存储构成一列的所有字段。我最初的尝试如下：

use strict;
use warnings;
use autodie;

my ($gene, $symbol, $alias, $xref,
    $chromo, $cytoband, $full_name, $gene_type, $desc, $nuc_seq, $pro_seq);

open FH, '<', 'human_tsgs.txt';
    my @data = do {local $/; <FH>};
close FH;

for (@data)
{
    ($gene, $symbol, $alias, $xref, $chromo, $cytoband,
     $full_name, $gene_type, $desc, $nuc_seq, $pro_seq) = split "\t", $_;

     #print $gene, "\n";
}

任何有建设性的反馈都会受到赞赏。

谢谢！

凯特琳

Answer 1

问题在于您阅读文件的方式。您可以通过在块中$/取消local来取消定义$/。

以下是发生的事情：

如果undef the input line seperator为@data，则会将整个文件读为一行。
因此，for只有一个包含整个文件的元素。
稍后，当您在$_循环中迭代它时，您将获得split中的整个文件。
value_row1_11\nvalue_row2_1将为您提供所有字段（尽管第11个字段应为print $gene。
你还没有看到，因为你的调试只有$/，这是第一个值。

您需要做的是逐行读取文件。没有必要干涉open my $fh, '<', 'human_tsgs.txt' or die $!; while ( my $line = <$fh> ) { chomp $line; my ( $gene, $symbol, $alias, $xref, $chromo, $cytoband, $full_name, $gene_type, $desc, $nuc_seq, $pro_seq ) = split "\t", $line; } close $fh;。

{{1}}

如果您在某些时候有更大的文件，逐行读取它也更适合内存处理。如果您啜饮整个文件，则需要将其存储在内存中。这样，您只需要一次存储一行来处理数据。

实现此目的的另一种方法是使用Text::CSV模块。

Answer 2

而不是

my @data = do {local $/; <FH>};

你需要这些：

my @data = <FH>;
chomp @data;
#now you have all lines in the @data array

Answer 3

这个程序可以满足您的需求。我将Data :: Dumper的输出重定向到文本文件o33.txt。

我使用了命令行： perl t9.pl Human_716_TSGs.txt＆gt; o33.txt

（t9.pl是以下程序）

#!/usr/bin/perl use strict; use warnings; use Text::CSV_XS; use autodie; my $csv = Text::CSV_XS->new ( { binary => 1, eol => "\n", sep_char => "\t" } ); my %genes; while (my $row = $csv->getline (*ARGV)) { my ($gene, $cytoband, $protein_sequence) = @$row[0, 5, 10]; next unless $gene =~ /^\d+$/; # eliminate header and final line $genes{$gene}{$cytoband} = $protein_sequence; } use Data::Dumper; print Dumper \%genes;

更新：看看genid（第一个字段）是如何唯一的（并且您确定它们将是唯一的），您可能需要不同的结构，如：

$genes{$gene} = {cytoband => $cytoband, protein_sequence => $protein_sequence};

处理制表符分隔文件并将字段存储在复杂数据结构中

3 个答案: