un file in formato FASTA contenente un elenco di sequenze una espressione regolare una indicazione se si tratta di DNA,RNA,proteine

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "un file in formato FASTA contenente un elenco di sequenze una espressione regolare una indicazione se si tratta di DNA,RNA,proteine"

Fabio Riccardi
8 anni fa
Visualizzazioni

1 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 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 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 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

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

2 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() 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() 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) 2

argv[3] # seleziona alfabeto alfabeto = alfabeti.get(tipo) if not alfabeto: print "tipo %s sconosciuto!" % (tipo) sys.

3 Stampa intestazione Devo stampare un intestazione con le informazioni sui dati che seguono # stampo intestazione printheader(alfabeto) 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) Analisi delle proteine in sequenza aggiornamento statistiche # aggiorno statistiche match sequenze_match += 1 tot_matches += matches # aggiorno istogramma medio addhistogram(hist_medio,hist) 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) 3

$print k + "\t" + str(matches) + "\t", print histogram2string(hist,alfabeto) Analisi delle proteine in sequenza aggiornamento statistiche # aggiorno statistiche match sequenze_match += 1 tot_matches$

4 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 Formato file FASTA (semplice): >2ABD_RAT MAGAGGGGCPTGGNDFQWCFSQVKGAVDEDVAEADIISTVEFNYSGDLLATGDKG GRVVIFQREQENKGRAHSRGEYNVYSTFQSHEPEFDYLKSLEIEEKINKIRWLPQ QNAAHFLLSTNDKTIKLWKISERDKRAEGYNLKDEDGRLRDPFRITALRVPILKP MDLMVEASPRRIFANAHTYHINSISVNSDHETYLSADDLRINLWHLEITDRSFNI VDIKPANMEELTEVITAAEFHPHQCNVFVYSSSKGTIRLCDMRSSALCDRHAKFF EEPEDPSSRSFFSEIISSISDVKFSHSGRYMMTRDYLSVKVWDLNMEGRPVETHH VHEYLRSKLCSLYENDCIFDKFECCWNGSDSAIMTGSYNNFFRMFDRNTRRDVTL EASRENSKPRASLKPRKVCSGGKRKKDEISVDSLDFNKKILHTAWHPMESIIAVA ATNNLYIFQDKIN 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() # 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 4

QNAAHFLLSTNDKTIKLWKISERDKRAEGYNLKDEDGRLRDPFRITALRVPILKP MDLMVEASPRRIFANAHTYHINSISVNSDHETYLSADDLRINLWHLEITDRSFNI VDIKPANMEELTEVITAAEFHPHQCNVFVYSSSKGTIRLCDMRSSALCDRHAKFF

5 # 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() # inserisco l ultima proteina (se file non vuoto) if nome!= "": sequenze[nome] = sequenza # chiudo il file f.close() # restituisco il dizionario return sequenze Inizializzazione istogramma Prende in ingresso un alfabeto Restituisce un dizionario, con frequenza zero per ogni carattere nell alfabeto Inizializzazione istogramma def inithistogram(alfabeto): # inizializzo dizionario hist = {} # aggiungo l alfabeto for i in alfabeto: hist[i] = 0. return hist Stampa intestazione Prende in ingresso un alfabeto Stampa l intestazione con: sequenza matches elenco caratteri alfabeto tutti separati da tab 5

close() # restituisco il dizionario return sequenze Inizializzazione istogramma Prende in ingresso un alfabeto Restituisce un dizionario, con frequenza zero per ogni carattere nell alfabeto

6 Stampa intestazione def printheader(alfabeto): print "sequenza\tmatches\t", print "\t".join(list(alfabeto)) Soddisfacimento espressione regolare stringa espressione regolare E restituisca in uscita: Numero di volte in cui la stringa soddisfa l espressione (zero se non la soddisfa) 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 ] 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. 6

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) [.

7 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. 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)) Istogramma stringa alfabeto E restituisca in uscita: Un dizionario con la frequenza con cui ciascun carattere dell alfabeto appare nella stringa 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 7

findall(regexp,sequenza)) Istogramma stringa alfabeto E restituisca in uscita: Un dizionario con la frequenza con cui ciascun carattere dell alfabeto appare nella stringa Istogramma def

8 Converti istogramma 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 Converti istogramma def histogram2string(hist, alfabeto): string = "" for i in alfabeto: string += str(hist[i]) + "\t" return string Aggiorna statistiche istogramma con somme nuovo istogramma E modifichi l istogramma medio aggiungendo le frequenze del nuovo istogramma Aggiorna statistiche def addhistogram(hist_medio, hist): for (k,v) in hist.items(): hist_medio[k] += v 8

$in alfabeto: string += str(hist[i]) + "\t" return string Aggiorna statistiche istogramma con somme nuovo istogramma E modifichi l istogramma$

9 Calcola istogramma medio istogramma con somme numero di istogrammi E modifichi l istogramma normalizzando ogni valore per il numero di istogrammi Calcola istogramma medio def normhistogram(hist,num): # normalizzo for k in hist.keys(): hist[k] /= num 9

per il numero di istogrammi Calcola istogramma medio def

Documenti analoghi

Realizzare un programma

Realizzare un programma Andrea Passerini passerini@disi.unitn.it Informatica Esempio Caratteristiche di sequenza che soddisfano una certa espressione Ingressi: un file in formato FASTA contenente un elenco