Analyse du fichier GenBank :obtenir la balise de lieu par rapport au produit

Question

Fondamentalement, un fichier GenBank est constitué d'entrées de gènes (annoncées par 'gène' suivi de son entrée 'CDS' correspondante (une seule par gène) comme les deux que je montre ci-dessous.Je voudrais obtenir locus_tag vs product dans un fichier à deux colonnes délimité par des tabulations.« gène » et « CDS » sont toujours précédés et suivis d'espaces.

Une question précédente suggérait un script.

Le problème est qu'il semble que parce que 'produit' a parfois le caractère '/' dans son nom, il est en conflit avec ce script qui, pour autant que je sache, utilise '/' comme séparateur de champ pour stocker des informations dans un tableau?

J'aimerais résoudre ce problème, soit en modifiant ce script, soit en en construisant un autre.

perl -nE'
  BEGIN{ ($/, $") = ("CDS", "\t") }
  say "@r[0,1]" if @r= m!/(?:locus_tag|product)="(.+?)"!g and @r>1
' file


 gene            complement(8972..9094)
                 /locus_tag="HAPS_0004"
                 /db_xref="GeneID:7278619"
 CDS             complement(8972..9094)
                 /locus_tag="HAPS_0004"
                 /codon_start=1
                 /transl_table=11
                 /product="hypothetical protein"
                 /protein_id="YP_002474657.1"
                 /db_xref="GI:219870282"
                 /db_xref="GeneID:7278619"
                 /translation="MYYKALAHFLPTLSTMQNILSKSPLSLDFRLLFLAFIDKR"
 gene            68..637
                 /locus_tag="HPNK_00040"
 CDS             68..637
                 /locus_tag="HPNK_00040"
                 /codon_start=1
                 /transl_table=11
                 /product="NinG recombination protein/bacteriophage lambda
                 NinG family protein"
                 /protein_id="CRESA:HPNK_00040"
                 /translation="MIKPKVKKRKCKCCGGEFKSADSFRKWCSAECGVKLAKIAQEKA
                 RQKAIEKRNREERAKIKATRERLKSRSEWLKDAQAIFNEYIRLRDKDEPCISCRRFHQ
                 GQYHAGHYRTVKAMPELRFNEDNVHKQCSACNNHLSGNITEYRINLVRKIGAERVEAL
                 ESYHPPVKWSVEDCKEIIKTYRAKIKELK"

Answer 1

Comme votre exemple de fichier GenBank était incomplet, je suis allé en ligne pour trouver un exemple de fichier qui pourrait être utilisé dans un exemple, et j'ai trouvé ce fichier.

En utilisant ce code et le Bio::GenBankParser module, il a été analysé en devinant quelles parties de la structure vous recherchiez.Dans ce cas, les « fonctionnalités » qui contenaient à la fois un locus_tag champ et un product champ.

use strict;
use warnings;
use feature 'say';
use Bio::GenBankParser;

my $file = shift;
my $parser = Bio::GenBankParser->new( file => $file );
while ( my $seq = $parser->next_seq ) {
    my $feat = $seq->{'FEATURES'};
    for my $f (@$feat) {
        my $tag = $f->{'feature'}{'locus_tag'};
        my $prod = $f->{'feature'}{'product'};
        if (defined $tag and defined $prod) {
            say join "\t", $tag, $prod;
        }
    }
}

Usage:

perl script.pl input.txt > output.txt

Sortir:

MG_001  DNA polymerase III, beta subunit
MG_470  CobQ/CobB/MinD/ParA nucleotide binding domain-containing protein

Le résultat de votre one-liner pour la même entrée serait :

MG_001  DNA polymerase III, beta subunit
MG_470  CobQ/CobB/MinD/ParA nucleotide binding
                     domain-containing protein

En supposant bien sûr que vous ajoutiez le /s modificateur à l'expression régulière pour tenir compte des entrées multilignes (qui leeduhem souligné dans les commentaires):

m!/(?:locus_tag|product)="(.+?)"!sg
#                                ^---- this

Answer 2

Having read your duplicated question http://www.biostars.org/p/94164/ (please don't double post like this), here's a minimal Biopython answer:

import sys
from Bio import SeqIO
filename = sys.argv[1] # Takes first command line argument input filename
for record in SeqIO.parse(filename, "genbank"):
    for feature in record.features:
        if feature.type == "CDS":
            locus_tag = feature.qualifiers.get("locus_tag", ["???"])[0]
            product = feature.qualifiers.get("product", ["???"])[0]
            print("%s\t%s" % (locus_tag, product))

With minor changes you can write this out to a file instead.