Realizzare un programma

Transcript

1 Realizzare un programma Andrea Passerini Informatica

2 Esempio Caratteristiche di sequenza che soddisfano una certa espressione Ingressi: un file in formato FASTA contenente un elenco di sequenze una espressione regolare una indicazione se si tratta di DNA,RNA,proteine

3 Esempio Caratteristiche di sequenza che soddisfano una certa espressione Uscite: una linea di intestazione che spieghi il contenuto delle linee successive una linea per ogni sequenza che soddisfa l espressione regolare con: nome della sequenza (estratto dall intestazione FASTA) numero di volte in cui l espressione è soddisfatta composizione aminoacidica/nucleotidica della sequenza come elenco di 20/4 valori (residui/nucleotidi in ordine alfabetico) statistiche sulle sequenza che soddisfano l espressione regolare: medie dei numeri riportati per ogni singola sequenza

4 principale Componenti 1 Recupero argomenti 2 Lettura file FASTA 3 Inizializzazione statistiche 4 Stampa intestazione 5 Analisi delle proteine in sequenza: stampa caratteristiche se match aggiornamento statistiche se match 6 Stampa statistiche

5 principale Recupero argomenti Useremo il modulo sys, che fornisce (tra l altro): la lista sys.argv contenente le parole della linea di comando, a partire dal nome del programma (e serve per leggere gli ingressi) la funzione sys.exit() per uscire prematuramente dal programma

6 principale Recupero ingressi # main alfabeti = {"DNA" : "ACGT", "RNA" : "ACGU", "PROTEIN" : "ACDEFGHIKLMNPQRSTVWYBZX"} # controlla numero argomenti import sys if len(sys.argv)!= 4: print """Argomenti richiesti: <fastafile> <regexp> <tipo (DNA RNA PROTEIN)>""" sys.exit() # leggi argomenti fastafile = sys.argv[1] exp = sys.argv[2] tipo = sys.argv[3] # seleziona alfabeto alfabeto = alfabeti.get(tipo) if not alfabeto: print "tipo %s sconosciuto!" % (tipo) sys.exit()

7 principale Lettura file FASTA Devo leggere da file un dizionario di coppie nome/sequenza # leggo proteine sequenze = parsefasta(fastafile) # verifico se file vuoto if not sequenze: print "attenzione: file %s vuoto!" % (fastafile) sys.exit()

8 principale Inizializzazione statistiche Mi servono: il numero di sequenze con match il numero totale di match (float, per poter calcolare una media) un istogramma (dizionario) delle frequenze totali (ordinato secondo l alfabeto) # inizializzo statistiche sequenze_match = 0 tot_matches = 0. hist_medio = inithistogram(alfabeto)

9 principale Stampa intestazione Devo stampare un intestazione con le informazioni sui dati che seguono # stampo intestazione printheader(alfabeto)

10 principale Analisi delle proteine in sequenza stampa caratteristiche se match # analizzo ciascuna for (k,v) in sequenze.items(): # calcolo matches matches = findmatches(v, exp) # se non ci sono match continuo if not matches: continue # calcolo istogramma hist = histogram(v, alfabeto) # stampo risultati per sequenza print k + "\t" + str(matches) + "\t", print histogram2string(hist,alfabeto)

11 principale Analisi delle proteine in sequenza aggiornamento statistiche # aggiorno statistiche match sequenze_match += 1 tot_matches += matches # aggiorno istogramma medio addhistogram(hist_medio,hist)

12 principale Stampa statistiche # normalizzo normhistogram(hist_medio,sequenze_match) # stampo statistiche print "-" * 100 print "medie\t%s\t" % (tot_matches/sequenze_match), print "\t" + histogram2string(hist_medio, alfabeto)

13 Lettura dati Mi serve una funzione che legga file FASTA ed estragga: nome sequenza contenuto sequenza La funzione dovrà avere come ingresso il nome del file La funzione dovrà produrre in uscita un dizionario di coppie nome sequenza/sequenza

14 Lettura dati Formato file FASTA (semplice): >2ABD_RAT MAGAGGGGCPTGGNDFQWCFSQVKGAVDEDVAEADIISTVEFNYSGDLLATGDKG GRVVIFQREQENKGRAHSRGEYNVYSTFQSHEPEFDYLKSLEIEEKINKIRWLPQ QNAAHFLLSTNDKTIKLWKISERDKRAEGYNLKDEDGRLRDPFRITALRVPILKP MDLMVEASPRRIFANAHTYHINSISVNSDHETYLSADDLRINLWHLEITDRSFNI VDIKPANMEELTEVITAAEFHPHQCNVFVYSSSKGTIRLCDMRSSALCDRHAKFF EEPEDPSSRSFFSEIISSISDVKFSHSGRYMMTRDYLSVKVWDLNMEGRPVETHH VHEYLRSKLCSLYENDCIFDKFECCWNGSDSAIMTGSYNNFFRMFDRNTRRDVTL EASRENSKPRASLKPRKVCSGGKRKKDEISVDSLDFNKKILHTAWHPMESIIAVA ATNNLYIFQDKIN

15 Lettura dati def parsefasta(fastafile): # inizializzo il dizionario sequenze = {} # inizializzo il nome nome = "" # inizializzo la sequenza sequenza = "" # apro il file fasta f = open(fastafile) # leggo la prima riga riga = f.readline()

16 Lettura dati # itero while riga!= "": # verifico se la riga e un intestazione if riga[0] == > : # verifico se ho gia una proteina da inserire if nome!= "": sequenze[nome] = sequenza # estraggo il nome (togliendo > e ritorno a capo) nome = riga[1:].strip() # re-inizializzo la sequenza sequenza = "" else: # aggiorno sequenza (togliendo ritorno a capo) sequenza += riga.strip() # leggo prossima riga riga = f.readline()

17 Lettura dati # inserisco l ultima proteina (se file non vuoto) if nome!= "": sequenze[nome] = sequenza # chiudo il file f.close() # restituisco il dizionario return sequenze

18 Inizializzazione istogramma Prende in ingresso un alfabeto Restituisce un dizionario, con frequenza zero per ogni carattere nell alfabeto

19 Inizializzazione istogramma def inithistogram(alfabeto): # inizializzo dizionario hist = {} # aggiungo l alfabeto for i in alfabeto: hist[i] = 0. return hist

20 Stampa intestazione Prende in ingresso un alfabeto Stampa l intestazione con: sequenza matches elenco caratteri alfabeto tutti separati da tab

21 Stampa intestazione def printheader(alfabeto): print "sequenza\tmatches\t", print "\t".join(list(alfabeto))

22 Soddisfacimento espressione regolare Mi serve una funzione che prenda in ingresso: stringa espressione regolare E restituisca in uscita: Numero di volte in cui la stringa soddisfa l espressione (zero se non la soddisfa)

23 Modulo re Il modulo re (regular expression) contiene funzioni che permettono di lavorare con espressioni regolari. Possiamo cercare nella lista di metodi del modulo: >>> import re >>> dir(re) [..., compile, copy_reg, error, escape, findall, finditer, match, purge, search, split, sre_compile, sre_parse, sub, subn, sys, template ]

24 Modulo re Il metodo findall sembra fare qualcosa di analogo a quello che cerchiamo Vediamone l utilizzo: >>> help(re.findall) Help on function findall in module re: findall(pattern, string, flags=0) Return a list of all non-overlapping matches in the string. If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group. Empty matches are included in the result.

25 Soddisfacimento espressione regolare def findmatches(sequenza, regexp): # importo il modulo necessario import re # restituisco la dimensione della lista di match return len(re.findall(regexp,sequenza))

26 Istogramma Mi serve una funzione che prenda in ingresso: stringa alfabeto E restituisca in uscita: Un dizionario con la frequenza con cui ciascun carattere dell alfabeto appare nella stringa

27 Istogramma def histogram(sequenza, alfabeto): # inizializzo dizionario hist = inithistogram(alfabeto) # controllo se stringa vuota tot = len(sequenza) if not tot: return hist # itero for i in sequenza: hist[i] += 1 # normalizzo for k in hist.keys(): hist[k] /= tot # restituisco dizionario return hist

28 Converti istogramma Mi serve una funzione che prenda in ingresso: istogramma alfabeto E restituisca in uscita (per poterla stampare): Una rappresentazione stringa dell istogramma, come sequenza di frequenze separate da tab, nell ordine dato dall alfabeto

29 Converti istogramma def histogram2string(hist, alfabeto): string = "" for i in alfabeto: string += str(hist[i]) + "\t" return string

30 Aggiorna statistiche Mi serve una funzione che prenda in ingresso: istogramma con somme nuovo istogramma E modifichi l istogramma medio aggiungendo le frequenze del nuovo istogramma

31 Aggiorna statistiche def addhistogram(hist_medio, hist): for (k,v) in hist.items(): hist_medio[k] += v

32 Calcola istogramma medio Mi serve una funzione che prenda in ingresso: istogramma con somme numero di istogrammi E modifichi l istogramma normalizzando ogni valore per il numero di istogrammi

33 Calcola istogramma medio def normhistogram(hist,num): # normalizzo for k in hist.keys(): hist[k] /= num