Question

这是我输入的Genbank文件的一部分：

LOCUS       AC_000005              34125 bp    DNA     linear   VRL 03-OCT-2005
DEFINITION  Human adenovirus type 12, complete genome.
ACCESSION   AC_000005 BK000405
VERSION     AC_000005.1  GI:56160436
KEYWORDS    .
SOURCE      Human adenovirus type 12
  ORGANISM  Human adenovirus type 12
            Viruses; dsDNA viruses, no RNA stage; Adenoviridae; Mastadenovirus.
REFERENCE   1  (bases 1 to 34125)
  AUTHORS   Davison,A.J., Benko,M. and Harrach,B.
  TITLE     Genetic content and evolution of adenoviruses
  JOURNAL   J. Gen. Virol. 84 (Pt 11), 2895-2908 (2003)
   PUBMED   14573794

我想提取期刊名称，例如J. Gen. Virol。（不包括发行号和页面）

这是我的代码，它没有给出任何结果，所以我想知道出了什么问题。我确实使用了1美元，2美元等的括号......虽然它有效但我的导师告诉我不使用该方法尝试，而是使用substr。

foreach my $line (@lines) {
    if ( $line =~ m/JOURNAL/g ) {
        $journal_line = $line;
        $character = substr( $line, $index, 2 );
        if ( $character =~ m/\s\d/ ) {
            print substr( $line, 12, $index - 13 );
            print "\n";
        }
        $index++;
    }
}

Answer 1

另一种方法是利用BioPerl来解析GenBank文件：

#!/usr/bin/perl

use strict;
use warnings;

use Bio::SeqIO;

my $io=Bio::SeqIO->new(-file=>'AC_000005.1.gb', -format=>'genbank');
my $seq=$io->next_seq;

foreach my $annotation ($seq->annotation->get_Annotations('reference')) {
    print $annotation->location . "\n";
}

如果您运行此脚本并将AC_000005.1保存在名为AC_000005.1.gb的文件中，您将获得：

J. Gen. Virol. 84 (PT 11), 2895-2908 (2003)
J. Virol. 68 (1), 379-389 (1994)
J. Virol. 67 (2), 682-693 (1993)
J. Virol. 63 (8), 3535-3540 (1989)
Nucleic Acids Res. 9 (23), 6571-6589 (1981)
Submitted (03-MAY-2002) MRC Virology Unit, Church Street, Glasgow G11 5JR, U.K.

Answer 2

使用单个正则表达式来捕获整个substr行并使用括号来捕获表示日记信息的文本，而不是匹配和使用JOURNAL，这样更容易：

foreach my $line (@lines) {
    if ($line =~ /JOURNAL\s+(.+)/) {
        print "Journal information: $1\n";
    }
}

正则表达式查找JOURNAL后跟一个或多个空格字符，（.+）捕获该行中的其余字符。

要在不使用$1的情况下获取文字，我认为您正在尝试执行以下操作：

if ($line =~ /JOURNAL/) {
    my $ix = length('JOURNAL');
    # variable containing the journal name
    my $j_name;
    # while the journal name is not defined...
    while (! $j_name) {
        # starting with $ix = the length of the word JOURNAL, get character $ix in the string
        if (substr($line, $ix, 1) =~ /\s/) {
            # if it is whitespace, increase $ix by one
            $ix++;
        }
        else {
            # if it isn't whitespace, we've found the text!!!!!
            $j_name = substr($line, $ix);
        }
    }

如果您已经知道左侧列中有多少个字符，您可以执行substr($line, 12)（或其他）从字符12开始检索$line的子字符串：

foreach my $line (@lines) {
    if ($line =~ /JOURNAL/) {
        print "Journal information: " . substr($line, 12) . "\n";
    }
}

您可以结合使用这两种技术来消除期刊数据中的问题编号和日期：

if ($line =~ /JOURNAL/) {
    my $j_name;
    my $digit;
    my $indent = 12; # the width of the left-hand column
    my $ix = $indent; # we'll use this to track the characters in our loop
    while (! $digit) {
        # starting with $ix = the length of the indent,
        # get character $ix in the string
        if (substr($line, $ix, 1) =~ /\d/) {
            # if it is a digit, we've found the number of the journal
            # we can stop looping now. Whew!
            $digit = $ix;
            # set j_name
            # get a substring of $line starting at $indent going to $digit
            # (i.e. of length $digit - $indent)
            $j_name = substr($line, $indent, $digit-$indent);
        }
        $ix++;
    }
    print "Journal information: $j_name\n";
}

我认为从Pubmed API获取数据会更容易！ ;)

使用perl从Genbank文件中提取期刊标题，而不使用$ 1，$ 2等

2 个答案: