regex - 完成在两个文件中搜索并提取数据部分的脚本的想法

Question

我一直在编写一个脚本，该脚本需要两个文件来提取数据的特定部分以创建一个新文件。 如果您想查看完整的文件，请访问以下 GitHub 链接:enter link description here

文件一(报告文件)是一种当值 >=0.5 时向我报告的文件类型(第 N°6 列是我感兴趣的值)。 这个文件是这样的(这只是一部分):

AGY29650_2_NA   netOGlyc-4.0.0.13       CARBOHYD        2       2       0.0804934       .       .       
AGY29650_2_NA   netOGlyc-4.0.0.13       CARBOHYD        4       4       0.0925522       .       .       
AGY29650_2_NA   netOGlyc-4.0.0.13       CARBOHYD        13      13      0.0250116       .       .       
AGY29650_2_NA   netOGlyc-4.0.0.13       CARBOHYD        23      23      0.565981        .       .      
...

文件二(fasta文件)是生物信息学中使用的一种文件类型，如下所示(这只是一部分):

>AGY29650.2|NA spike protein
MTYSVFPLMCLLTFIGANAKIVTLPGNDA...EEYDLEPHKIHVH*

我的脚本的目的是当第 N°6 列中的值 >=0.5 时取第 1 列和第 4 列，例如，第 N°4 行是 #POSITIVE 值，因此脚本取该值N°1 列(AGY29650_2_NA，这是一个 ID)中的值和 N°4, 23 列(位置)中的值。 然后脚本搜索将文件二(fasta 文件)中的 ID (AGY29650_2_NA) 与该文件 AGY29650.2 中的 ID 进行匹配，然后查找数据中的位置 23，例如位置 23 中的字母 T:

MTYSVFPLMCLLTFIGANAKIV T LP

然后，脚本打印位置23，左边2个字母，右边2个字母，输出:

IVTLP

脚本不完整，但是，这是我还无法解决的第一个问题。文件之间的 ID 有一些差异，例如:

AGY29650_2_NA (file one) and AGY29650.2 (file two)

为了解决这个问题，同事建议我使用正则表达式来选择每个文件中的 ID，例如:

s/^\s*([^_]+)_([0-9]+)_([a-zA-Z0-9]+)/$1.$2|$3/

我的第二个问题是我无法解决如何将此正则表达式合并到脚本中，我可能在 foreach 循环中思考。 我的第三个问题是一个证书，如果脚本确实在搜索位置(第 N°4 列)并获取相邻的残基(左侧两个字母和右侧两个字母)作为最终输出。 这是不完整的脚本:

use strict;
use warnings;
use Bio::SeqIO;
​
my $file = $ARGV[0];
my $in = $ARGV[1];
my %fastadata = ();
my @array_residues = (); 
my $seqio_obj = Bio::SeqIO->new(-file => $in,
                             -format => "fasta" );
while (my $seq_obj = $seqio_obj->next_seq ) {
  my $dd =  $seq_obj->id;
  my $ss =  $seq_obj->seq;
  ###my $ee =  $seq_obj->desc;
  $fastadata{$dd} = "$ss";
}
​
my $thres = 0.5; ### Selection of values in column N°5 with the following condition: >=0.5
​
# Open file
open (F, $file) or die; ### open the file or end the analyze
while(my $one = <F>) {### readline => F
    $one =~ s/\n//g;
    $one =~ s/\r//g;
    my @cols = split(/\s+/, $one); ### split columns
    next unless (scalar (@cols) == 7); ### the line must have 7 columns to add to the array
    my $val = $cols[5];
​
    if ($val >= 0.5) {
        my $position = $cols[3];
        my $id_list = $cols[0];
        if (exists($fastadata{$id_list})) {
            my $new_seq = $fastadata{$id_list};
            my $subresidues = substr($new_seq, $position -3, 6);

        } 
    }
}

close F;
​

我正在寻求帮助以将正则表达式合并到脚本中，然后打印我正在寻找的输出。

欢迎任何想法或评论。

Answer 1

未经测试(因为您没有发布 MRE )，但这应该有效:

    my $position = $cols[3];
    my $id_list = $cols[0];
    $id_list =~ s/^\s*([^_]+)_([0-9]+)_([a-zA-Z0-9]+)/$1.$2|$3/;   # Add this line
    if (exists($fastadata{$id_list})) {

这会修改 $id_list 变量，使其与您的哈希键兼容。