初品BioPerl(第二篇:构造一条fasta序列)

十月 8, 2010

接下来我们就来讨论BioPerl的用法。根据一句经典名言,Perl的用途“90%与文本处理有关,10%与其它事务有关”(改编自小驼书),Perl语言的强项就在于文本处理(当然主要是纯文本,和许多Unix工具如grep, awk, sed等工具类似哦!),而恰好大多数生物信息学数据都是以纯文本的形式存放的(包括蛋白质、核酸等序列文件,序列比对文件,进化树文件等),所以BioPerl当初设计的初衷就是为了分析、处理这些文本数据文件。当然随着模块越来越多,BioPerl的功能也扩展了,现在也有人喜欢用BioPerl作为下载工具来下载序列,或者用来运行blast程序等。虽然不是不可以,但我并不建议这么做,因为通过BioPerl来运行的blast程序肯定没有直接运行的blast程序来得快,来得灵活。正如同想要删除一个文件,我们一般都会执行rm file.txt,而不会另外编一个Perl程序说:perl -e 'unlink "file.txt"'
      进入正题啦!首先,生物信息学处理最多的问题是什么?当然就是蛋白质和核酸序列喽!生物大分子序列的书写有好多种格式,如Fasta, Genbank, EMBL, SwissProt等。其中Fasta是最简单的序列格式,所以我们先来学习使用BioPerl来构造fasta序列。当然这在实际工作上意义不大,因为大部分序列应该从数据库中下载得到(或者通过程序运算出来),而不是自己构造出来的。我们在下一篇会学习如何从文件中提取fasta序列。现在还是先打基础吧。 ^_^

      fasta格式的序列是这样的:

      也就是说,上面这条序列的“名称”是:    gi|147605|gb|J01673.1|ECORHO
                                        “描述”是:    E.coli rho gene coding for transcription termination factor
                                        序列则是下面的一大段
   当然,这条序列的名称比较复杂,如果是自己“构造”序列,自然没必要用这么复杂的名称,可以只叫ECORHO或者叫Ecolirho都行。但千万注意。由于BioPerl一般是把从大于号开始一直到第一个空格出现的字段认为是“名称”,所以序列的名字中不要出现空格。如果你把序列的名字叫做E.coli rho,把头字段写成这样:

>E.coli rho    E.coli rho gene coding for transcription termination factor

      BioPerl会认为“名称”是E.coli(从大于号开始到第一个空格出现),而“描述”是 rho    E.coli rho gene coding for transcription termination factor,结果会把你搞得稀里糊涂的,要想不引发岐义,可以这么写:

>E.coli_rho    E.coli rho gene coding for transcription termination factor

      呵呵,只加上一条下划线,就对了。如果我们的序列是从NCBI这样的数据库里下载下来的,无须担心名称和描述的问题,但有时序列是通过其他程序运算出来,需转入下一道工序加工,这时取个好听的名字就很重要。
      知道了fasta序列的格式之后,我们可以用一般的Perl程序“编”出这样一条序列:

#!/usr/bin/perl -w 
%a_fasta_seq=(
"display_name" => "gi|147605|gb|J01673.1|ECORHO", #这是序列的名称
"desc" => "E.coli rho gene coding for transcription termination factor", #这是序列的描述
"seq" => "AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG",)  
  

      然后可以把它打印出来:

print <<EOF;    #这是根据fasta格式依次打印名称、描述和序列,使用了Here文档的写法,也可以拆分成多条print语句
>
$a_fasta_seq{dispaly_name}\t$a_fasta_seq{desc}
$a_fasta_seq
{seq}
EOF

       这种方法的优点是步骤十分清晰,只是太麻烦了一点。如果要构造一个GenBank序列,则得写N长的print。还有,如果要构造许多条fasta序列,也不方便。总不能写%fastaseq1, %fastaseq2, %fastaseq3吧?

      下面我们就来看看用BioPerl该怎么写:

#!/usr/bin/perl -w
use
Bio::Seq;              #加载Bio::Seq模块。
$seq_obj
= Bio::Seq->new#调用Bio::Seq模块的new方法,可以建立一个序列对象,命名为$seq_obj。
#给这个新建的$seq_obj对象赋予三个属性的值:dispaly_name(序列的名称),desc(序列的描述)以及seq(序列的内容)

$seq_obj
->display_name("gi|147605|gb|J01673.1|ECORHO");
$seq_obj
->desc("E.coli rho gene coding for transcription termination factor");
$seq_obj
->seq("AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG");

   第一句是模块的加载,会把相关的新函数(其实是“方法”)加载进来。
   第二句的语法其实在小驼书中已提到过:调用了Bio::Seq模块中的new方法。对于调用面向对象的模块的方法(以前说“函数”,在OO术语中称“方法”)要使用“全名”的方式来调用,语法是:模块名(Bio::Seq)+瘦箭头(->)+方法名(new)。顺便透露一个小秘密:所有面向对象的模块都有一个叫做“new”的方法,它的功能简单且重要:创建一个新的对象。
   会一点Perl的人都应该会创建一些所谓的“数据结构”,比如说:
   创建一个标量:  $scalar;
   创建一个数组:  @array;
   创建一个哈希:  %hash;
   因为标量、数组和哈希都太“简单”啦,而且是Perl内置的数据结构,在标量、数组或哈希里以什么样的方式来组织数据都是Perl自己已经定好了的(注意是组织数据的
方式而不是数据的内容哦!)。而对象则可以看成是自己定义的一种数据结构,我们可以给对象赋予一些属性来描述它(有点类似于在哈希中放入键值对来描述你创建的哈希)。但是创建的对象不像标量、数组或哈希那样有前缀($, @和%),在Perl中对象是用存放它的地址来表示的,而恰恰凑巧的是,地址(一般叫做“引用”)的前缀就是$。
   所以,创建一个
Bio::Seq对象就是这样:

$seq_obj = Bio::Seq->new;
  

   你可能还会为两个问题而困惑:(1)问:为什么要使用new函数来返回一个对象,而不是 像创建标量那样直接写$seqobj就行了呢? 答:因为对象是需要我们自定义的,所以我们需要写一个子程序来定义对象的结构(其实是它的属性方法,只是空的白纸,还没有填入内容),而碰巧这个子程序的名称就叫new,并且别人已经帮我们写好且内嵌在Bio::Seq模块(以及以后我们要用的其他模块)里了。 (2)问:对象的名称一定要以obj结尾吗? 答:不需要。你完全可以写 $seq = Bio::Seq->new; ,这样也是创建了一个名字叫做seq的对象,但是到后来你会搞不清$seq究竟是一个存放序列字符串的标量标量呢还是一个存放(指向)整个序列信息的对象呢?所以,既然对象没有”前缀“,我们就自己给它加一个“后缀”上去。 😛
   创建了一个seq_obj对象之后,我们可以为它“赋值”。先来回顾一下其他数据结构是怎么赋值的:
   给标量赋值:  $scalar="Hello!\n";
   给列表赋值:  @array=(1, 2, 3, 4, 5);
   给哈希赋值:  %hash=("key1"=>"vlaue1", "key2"=>"value2");
   对象“赋值”的方式比较特殊。对于这个Bio::Seq(以及许多BioPerl对象)对象来说,是采取调用方法来“赋值”。

$seq_obj->display_name("gi|147605|gb|J01673.1|ECORHO");
$seq_obj->desc("E.coli rho gene coding for transcription termination factor");
$seq_obj->seq("AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG"); 

   而且,和标量、数据、哈希一样,对象的创建和“赋值”可以合并为一步:

#!/usr/bin/perl -w
 use Bio::Seq;

$seq_obj = Bio::Seq->new( -display_name => "gi|147605|gb|J01673.1|ECORHO",
-desc => "E.coli rho gene coding for transcription termination factor",
-seq => "AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG"
);

   第一眼看去,这个程序有点像哈希赋值,但“胖箭头”左边的“键”有点不同寻常,带了短横线。
   我们来看看前面一大堆操作创建出来的$seqobj对象到底是怎样的。现在我们已经赋予了它三个属性:displayname, desc, seq,即所谓fasta序列的“三要素”:名称、描述和序列。赋予了这些“值”之后,我们可以查看它们,当然直接打印$seq_obj是行不通的(正如同我们不能自己打印%hash一样),而是要通过调用“方法”来返回可打印的字符串:

my ($fasta_name,$fasta_desc,$fasta_seq); #创建了三个普通的标量变量来存放三个属性值
$fasta_name
= $seq_obj->display_name; #调用对象的display_name方法来得到名称
$fasta_desc
= $seq_obj->desc;         #调用对象的desc方法来得到描述
$fasta_seq
= $seq_obj->seq;           #调用对象的seq方法来得到序列
#现在可以打印三个属性值了

print
"NAME:\t$fasta_name\nDESCRIBE:\t$fasta_desc\nSEQUENCE:\t$fasta_seq\n";

   结果将是这样:

NAME:    gi|147605|gb|J01673.1|ECORHO
DESCRIBE:    E.coli rho gene coding for transcription termination factor
SEQUENCE:    AACCCTAGCACTGCGCCGAAATATGGCATCCGTGGTATCCCGACTCTGCTGCTGTTCAAAAACGGTGAAG 

   如果仅此而已,那BioPerl是没有任何用途的(和直接创建一个哈希%afastaseq一模一样嘛!)。这里面当然是大有文章啦。比如,当我们给一个哈希(或数组)赋值之后,我们除了能查到刚赋值的内容(若干项或所有项)之外,还能查到好多其他内容呢!比如,可以查看数组元素的个数啊(使用scalar @array),哈希的键列表啊(使用keys %hash)等等。对于这个$seq_obj对象,功能就更加强大了。
   我们可以直接数出序列的长度:

$fasta_seq_length = $seq_obj->length# 得到序列的长度,70 

      我们可以查阅这段序列究竟是DNA还是蛋白质。

$fasta_property = $seq_obj->alphabet;   # 返回dna,看来Perl猜对啦 

      由此可以看出来,电脑还是很聪明的,但提供电脑程序的人绝对比电脑更聪明。 😛

更精彩内容请看:初品 BioPerl - 生物大分子序列  http://bioperl.bnuzhutao.cn/Chapter_2_1_1.html

posted in Perl by billzt

Follow comments via the RSS Feed | Leave a comment | Trackback URL

说点什么

2 评论 在 "初品BioPerl(第二篇:构造一条fasta序列)"

提醒
排序:   最新 | 最旧 | 得票最多
游客

你好,我看了你的这个内容里边的例子,并且试着运行了,但是有点问题?那个NAME: gi|147605|gb|J01673.1|ECORHO这个结果只有一个NAME,然后是个空行……
还有一些报错信息,我是初学者不知道这是怎么回事?
报错信息是这样的:
Replacement list is longer than search list at C:/Perl/site/lib/Bio/Range.pm line 251.
Use of uninitialized value $fasta_name in concatenation (.) or string at C:\pl\567\2.pl line 14(该行为:print "NAME:\t$fasta_name\nDESCRIBE:\t$fasta_desc\nSEQUENCE:\t$fasta_seq\n";)

游客

@Chernxp, 建议你把自己写的程序文件发到我的邮箱(地址在 Contact 页面),我来帮你看下~

wpDiscuz
 

Copyright © 2010-2017 | Powered by Wordpress and MySQL. Theme by Shlomi Noach, openark.org