Разбор файла GenBank:получить тег локуса по сравнению с продуктом

Question

По сути, файл GenBank состоит из записей генов (объявленных "gene", за которыми следует соответствующая запись "CDS" (только по одной на ген), подобных двум, которые я показываю здесь ниже.Я хотел бы получить locus_tag vs product в файле с двумя столбцами, разделенными табуляцией."gene" и "CDS" всегда предваряются пробелами и следуют за ними.

В предыдущем вопросе предлагался сценарий.

Проблема в том, что кажется, что из-за того, что 'product' иногда имеет символ '/' внутри своего имени, у него возникают конфликты с этим скриптом, который, насколько я могу понять, использует '/' в качестве разделителя полей для хранения информации в массиве?

Я хотел бы решить эту проблему, либо изменив этот скрипт, либо создав другой.

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

Поскольку ваш образец файла GenBank был неполным, я зашел в Интернет, чтобы найти образец файла, который можно было бы использовать в примере, и я нашел этот файл.

Используя этот код и Bio::GenBankParser модуль, он был проанализирован, предполагая, какие части структуры вам нужны.В данном случае "функции", которые содержали как locus_tag поле и product поле.

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;
        }
    }
}

Использование:

perl script.pl input.txt > output.txt

Выход:

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

Результатом вашего однострочного ввода для того же ввода будет:

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

Предполагая, конечно, что вы добавите /s модификатор регулярного выражения для учета многострочных записей (которые лидухем указано в комментариях):

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.