parse fichier embl pour récup des infos

**pontarose** · 12/12/2013, 15h42

Hello,

J'aimerais pour chaque gène récuperer le accession number (Acc )et la séquence traduite (translation)
Mon problème est que j'obtiens des lignes vides!!!(correspondant aux lignes non selectionnés

>Acc:20773
MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
RINVYYNEASGGR
>Acc:H2Q1I7
MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK

[CODE]
...
FT gene complement(98074..100357)
FT /gene=ENSPTRG00000002168
FT /locus_tag="TUBB8"
FT /note="tubulin, beta 8 class VIII [Source:HGNC
FT Symbol;Acc:20773]"
FT mRNA join(complement(100232..100357),complement(99852..99960),
FT complement(99663..99773),complement(98074..99162))
FT /gene="ENSPTRG00000002168"
FT /note="transcript_id=ENSPTRT00000003967"
FT CDS join(complement(100232..100288),complement(99852..99960),
FT complement(99663..99773),complement(98105..99162))
FT /gene="ENSPTRG00000002168"
FT /translation="MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
FT RINVYYNEASGGR"
FT gene 189072..315637
FT /gene=ENSPTRG00000002229
FT /locus_tag="ZMYND11"
FT /note="Uncharacterized protein
FT [Source:UniProtKB/TrEMBL;Acc:H2Q1I7]"
FT mRNA join(189072..189393,235063..235197,271057..271216,
FT 282201..282362,297879..297956,298626..298718,
FT 300469..300556,301102..301157,301939..302016,
FT 303068..303186,307802..308009,308433..308501,
FT 309351..309623,309917..310102,313361..315637)
FT /gene="ENSPTRG00000002229"
FT /note="transcript_id=ENSPTRT00000004081"
FT CDS join(271061..271216,282201..282362,297879..297956,
FT 298626..298718,300469..300556,301102..301157,
FT 301939..302016,303068..303186,307802..308009,
FT 308433..308501,309351..309623,309917..310102,
FT 313361..313483)
FT /gene="ENSPTRG00000002229"
FT /protein_id="ENSPTRP00000003768"
FT /note="transcript_id=ENSPTRT00000004081"
FT /db_xref="RefSeq_mRNA_predicted:XM_001135863.3"
FT /db_xref="Ens_Hs_transcript:ENST00000309776"
FT /db_xref="Uniprot/SPTREMBL:H2Q1I7_PANTR"
FT /db_xref="Uniprot/SPTREMBL:K7CUR4_PANTR"
FT /db_xref="EMBL:AACZ03076941"
FT /db_xref="EMBL:GABD01004750"
FT /db_xref="EMBL:GABF01002657"
FT /db_xref="Ens_Hs_translation:ENSP00000309992"
FT /db_xref="GO:GO:0005515"
FT /db_xref="GO:GO:0005515"
FT /db_xref="Uniprot_gn_trans_name:ZMYND11-201"
FT /db_xref="goslim_goa:GO:0003674"
FT /db_xref="goslim_goa:GO:0005622"
FT /db_xref="protein_id:JAA10128.1"
FT /db_xref="UniParc:UPI000002E25A"
FT /translation="MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY
FT WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPV
FT CRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK"

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
 
my $seq = 0;
my $sequence;
 
open FILE, "test" or die $!;
 
while (my $line =<FILE>) {
        if ($line =~ /Acc:(.*)\]\"/){
		print ">accession number :$1 \n";
	}
        elsif ($line =~ /^FT                   \/translation=\"(.*)/) {
		$seq = 1;
		my $all=$1;
		print "$all \n";
       }
       elsif ( ($seq) && ($line =~ /FT                   ([A-Z]*)/)){                  
                 print "$1 \n";
      }
}   
close FILE;

**Lolo78** · 12/12/2013, 15h54

Je ne comprends pas bien; le premier bloc de données représente les données obtenues, et le second bloc les données en entrée?

Et explique le problème, je ne vois pas ce que tu veux dire.

**pontarose** · 12/12/2013, 16h32

Désolé,

A partir de ce fichier embl

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
 
FT   gene            complement(98074..100357)
FT                   /gene=ENSPTRG00000002168
FT                   /locus_tag="TUBB8"
FT                   /note="tubulin, beta 8 class VIII [Source:HGNC
FT                   Symbol;Acc:20773]"
FT   mRNA            join(complement(100232..100357),complement(99852..99960),
FT                   complement(99663..99773),complement(98074..99162))
FT                   /gene="ENSPTRG00000002168"
FT                   /note="transcript_id=ENSPTRT00000003967"
FT   CDS             join(complement(100232..100288),complement(99852..99960),
FT                   complement(99663..99773),complement(98105..99162))
FT                   /gene="ENSPTRG00000002168"
FT                   /protein_id="ENSPTRP00000050906"
FT                   /note="transcript_id=ENSPTRT00000003967"
FT                   /db_xref="RefSeq_mRNA_predicted:XM_001135050.3"
FT                   /translation="MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
FT                   RINVYYNEASGGRYVPRAVLVDLEPGTMDSVRSGPFGQVFRPDNFIFGQCGAGNNWAKG
FT                   HYTEGAELMESVMDVVRKEAESCDCLQGFQLTHSLGGGTGSGMGTLLLSKIREEYPDRI
FT                   INTFSILPSPKVSDTVVEPYNATLSVHQLIENADETFCIDNEALYDICSKTLKLPTPTY
FT                   GDLNHLVCATMSGVTTCLRFPGQLNADLRKLAVNMVPFPRLHFFMPGFAPLTSRGSQQY
FT                   RALTVAELTQQMFDAKNMMAACDPRHGRYLTAAAIFRGRMPMREVDEQMFNIQDKNSSY
FT                   FADWLPNNVKTAVCDIPPRGLKMSATFIGNNTAIQELFKRVSEQFTAMFRRKAFLHWYT
FT                   GEGMDEMEFTEAESNMNDLVSEYQQYQDATAEEEEDEECDEEEVA"
FT   gene            189072..315637
FT                   /gene=ENSPTRG00000002229
FT                   /locus_tag="ZMYND11"
FT                   /note="Uncharacterized protein
FT                   [Source:UniProtKB/TrEMBL;Acc:H2Q1I7]"
FT   mRNA            join(189072..189393,235063..235197,271057..271216,
FT                   282201..282362,297879..297956,298626..298718,
FT                   300469..300556,301102..301157,301939..302016,
FT                   303068..303186,307802..308009,308433..308501,
FT                   309351..309623,309917..310102,313361..315637)
FT                   /gene="ENSPTRG00000002229"
FT                   /note="transcript_id=ENSPTRT00000004081"
FT   CDS             join(271061..271216,282201..282362,297879..297956,
FT                   298626..298718,300469..300556,301102..301157,
FT                   301939..302016,303068..303186,307802..308009,
FT                   308433..308501,309351..309623,309917..310102,
FT                   313361..313483)
FT                   /gene="ENSPTRG00000002229"
FT                   /protein_id="ENSPTRP00000003768"
FT                   /note="transcript_id=ENSPTRT00000004081"
FT                   /db_xref="RefSeq_mRNA_predicted:XM_001135863.3"
FT                   /db_xref="protein_id:JAA28350.1"
FT                   /db_xref="protein_id:JAA40243.1"
FT                   /db_xref="UniParc:UPI000002E25A"
FT                   /translation="MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY
FT                   WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPV
FT                   CRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGKDNKHPMYRRLVHSAVDVPTIQE
FT                   KVNEGKYRSYEEFKADAQLLLHNTVIFYGADSEQADIARMLYKDTCHELDELQLCKNCF
FT                   YLSNARPDNWFCYPCIPNHELVWAKMKGFGFWPAKVMQKEDNQVDVRFFGHHHQRAWIP
FT                   SENIQDITVNIHRLHVKRSMGWKKACDELELHQRFLREGRFWKSKNEDRGEEEAESSIS
FT                   STSNEQLKVTQEPRAKKGRRNQSVEPKKEEPEPETEAVSSSQEIPTMPQPIEKVSVSTQ
FT                   TKKLSASSPRMLHRSTQTTNDGVCQSMCHDKYTKIFNDFKDRMKSDHKRETERVVREAL
FT                   EKLRSEMEEEKRQAVNKAVANMQGEMDRKCKQVKEKCKEEFVEEIKKLATQHKQLISQT
FT                   KKKQWCYNCEEEAMYHCCWNTSYCSIKCQQEHWHAEHKRTCRRKR"

J'aimerais obtenir ceci

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
>Acc:20773
MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
RINVYYNEASGGR
>Acc:H2Q1I7
MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK

Mais voilà d'après mon script j'obtiens ceci
>Acc:20773
MREIVLTQIGQCGNQIGAKFWEVISDEHAINSAGTYHGDSHLQLE
RINVYYNEASGGR
####suivi de 3 lignes vides
>Acc:H2Q1I7
####suivi de 17 lignes blanches
MSRVHGMHPKETTRQLSLAVKDGLIVETLTVGCKGSKAGIEQEGY WLPGDEIDWETENHDWYCFECHLPGEVLICDLCFRVYHSKCLSDEFRLRDSSSPWQCPVCRSIKKKNTNKQEMGTYLRFIVSRMKERAIDLNKKGK

Ce sont ces lignes vides qui me dérangent et que je n'arrive pas à les supprimer avec mon script

**Lolo78** · 12/12/2013, 19h18

Dans tes deux expressions régulières, remplace ta longue liste d'espaces par '\s+', je pense que ça devrait marcher. Quelque chose comme ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
while (my $line =<FILE>) {
        if ($line =~ /Acc:(.*)\]\"/){
		print ">accession number :$1 \n";
	}
        elsif ($line =~ /^FT\s+\/translation=\"(.*)/) {
		$seq = 1;
		my $all=$1;
		print "$all \n";
       }
       elsif ( ($seq) && ($line =~ /FT\s+([A-Z]*)/)){                  
                 print "$1 \n";
      }
}

Si ça ne marche toujours pas, poste le fichier en entrée en pièce jointe pour que l'on puisse regarder son contenu exact et éventuellement tester avec un fichier identique au tien (un copier-coller peut modifier certaines choses).

**djibril** · 12/12/2013, 19h30

Bonsoir,

Pourquoi ne pas utiliser un module BioPerl qui te permettra de convertir un fichier EMBL en fichier fasta sans difficultés ?

**pontarose** · 13/12/2013, 09h10

Merci Lolo78,
J'ai remplacé ta longue liste d'espaces par '\s+' et j'ai mis le $ de fin de ligne et ça marche!!!
Merci Djibril je n'y avais pas pensé!

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
while (my $line =<FILE>) {
        if ($line =~ /Acc:(.*)\]\"$/){
		print ">accession number :$1 \n";
	}
        elsif ($line =~ /^FT\s+\/translation=\"(.*)$/) {
		$seq = 1;
		my $all=$1;
		print "$all \n";
       }
       elsif ( ($seq) && ($line =~ /FT\s+([A-Z]*)$/)){                  
                 print "$1 \n";
      }
}

parse fichier embl pour récup des infos

Bioinformatique Perl

Discussions similaires

Partager

Partager