Question

大家好，所以我一直试图使用PERL只打印来自FASTA文件的以“MAD”或“MAN”（前3个aa）开头的蛋白质序列的标题（整个＆gt; gi系列）。但我无法弄清楚哪个部分出了问题。提前谢谢！

#!usr/bin/perl
use strict;

my $in_file = $ARGV[0];
open( my $FH_IN, "<", $in_file );    ###open to fileholder
my @lines = <$FH_IN>;
chomp @lines;
my $index = 0;

foreach my $line (@lines) {
    $index++;
    if ( substr( $line, 0, 3 ) eq "MAD" or substr( $line, 0, 3 ) eq "MAN" ) {
        print "@lines [$index-1]\n\n";
    } else {
        next;
    }
}

这是FASTA文件的一小部分，第一个seq的标题是我正在寻找的

>gi|16128078|ref|NP_414627.1| UDP-N-acetylmuramoyl-L-alanyl-D-glutamate:meso-diaminopimelate ligase [Escherichia coli str. K-12 substr. MG1655] MADRNLRDLLAPWVPDAPSRALREMTLDSRVAAAGDLFVAVVGHQADGRRYIPQAIAQGVAAIIAEAKDE ATDGEIREMHGVPVIYLSQLNERLSALAGRFYHEPSDNLRLVGVTGTNGKTTTTQLLAQWSQLLGEISAV MGTVGNGLLGKVIPTENTTGSAVDVQHELAGLVDQGATFCAMEVSSHGLVQHRVAALKFAASVFTNLSRD HLDYHGDMEHYEAAKWLLYSEHHCGQAIINADDEVGRRWLAKLPDAVAVSMEDHINPNCHGRWLKATEVN

Answer 1

您的打印声明有问题。应该是：

print "$lines[$index-1]\n\n";

然而，通常最好只逐行处理文件，除非有特定原因需要扼杀整个文件：

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

my $file = shift;

#open my $fh, "<", $in_file;
my $fh = \*DATA;

while (<$fh>) {
    print if /^>/ && <$fh> =~ /^MA[DN]/;
}

__DATA__
>gi|16128078|ref|NP_414627.1| UDP-N-acetylmuramoyl-L-alanyl-D-glutamate:meso-diaminopimelate ligase [Escherichia coli str. K-12 substr. MG1655] 
MADRNLRDLLAPWVPDAPSRALREMTLDSRVAAAGDLFVAVVGHQADGRRYIPQAIAQGVAAIIAEAKDE
ATDGEIREMHGVPVIYLSQLNERLSALAGRFYHEPSDNLRLVGVTGTNGKTTTTQLLAQWSQLLGEISAV
MGTVGNGLLGKVIPTENTTGSAVDVQHELAGLVDQGATFCAMEVSSHGLVQHRVAALKFAASVFTNLSRD
HLDYHGDMEHYEAAKWLLYSEHHCGQAIINADDEVGRRWLAKLPDAVAVSMEDHINPNCHGRWLKATEVN
–

输出：

>gi|16128078|ref|NP_414627.1| UDP-N-acetylmuramoyl-L-alanyl-D-glutamate:meso-diaminopimelate ligase [Escherichia coli str. K-12 substr. MG1655]

Answer 2

由于您想知道如何改进代码，因此以下是您的程序的评论版本，并提供了有关如何更改代码的一些建议。

#!/usr/bin/perl
use strict;

您还应该添加use warnings pragma，它会启用警告（正如您所料）。

my $in_file = $ARGV[0];

最好检查$ARGV[0]是否已定义，如果不是，则给出相应的错误消息，例如

my $in_file = $ARGV[0] or die "Please supply the name of the FASTA file to process";

如果未定义$ARGV[0]，Perl将执行die语句。

open( my $FH_IN, "<", $in_file );  # open to fileholder

您应该检查脚本是否能够打开输入文件;通过添加die语句，您可以使用与前一个语句类似的结构：

open( my $FH_IN, "<", $in_file ) or die "Could not open $in_file: $!";

特殊变量$!包含无法打开文件的错误消息（例如，它不存在，没有读取权限等）。

my @lines = <$FH_IN>;
chomp @lines;
my $index = 0;

foreach my $line (@lines) {
    $index++;
    if ( substr( $line, 0, 3 ) eq "MAD" or substr( $line, 0, 3 ) eq "MAN" ) {
         print "@lines [$index-1]\n\n";

这是脚本中的问题点。首先，访问数组中项目的正确方法是使用$lines[$index-1]。其次，数组中的第一项是索引0，因此文件的第1行将位于@lines中的位置0，位置3中的第4行，等等。因为您已经增加了索引，您在标题行后打印行。通过在循环结束时递增$index可以很容易地解决问题。

} else { next; }

在这里使用next并不是必需的，因为else语句后面没有代码，因此告诉Perl跳过其余的循环没有任何好处

固定代码如下所示：

#!/usr/bin/perl use warnings; use strict; my $in_file = $ARGV[0] or die "Please supply the name of the FASTA file to be processed"; open( my $FH_IN, "<", $in_file ) or die "Could not open $in_file: $!"; my @lines = <$FH_IN>; chomp @lines; my $index = 0; foreach my $line (@lines) { if ( substr( $line, 0, 3 ) eq "MAD" or substr( $line, 0, 3 ) eq "MAN" ) { print "$lines[$index-1]\n\n"; } $index++; }

我希望这有用而且清晰！

获得以FASTA中特定氨基酸开始的蛋白质序列的标题行

2 个答案: