當DNA序列中存在特定模式時，檢索編碼氨基酸

Question

當DNA序列中存在某些模式時，我想檢索編碼的氨基酸。 例如，模式可以是：ATAGTA。 因此，當具有：

輸入文件：

>sequence1
ATGGCGCATAGTAATGC
>sequence2
ATGATAGTAATGCGCGC

理想的輸出將是一個表格，其中每個氨基酸的次數由模式編碼。 在此，序列1中的模式僅編碼一種氨基酸，而序列2中的模式編碼兩種氨基酸。 我希望這個工具可以擴展到數千個序列。 我一直在考慮如何完成這項工作，但我只想：替換所有不同於模式的核苷酸，翻譯剩下的並獲得編碼氨基酸的摘要。

請讓我知道是否可以使用現有工具執行此任務。

謝謝你的幫助。 一切順利，貝爾納多

---

編輯（由於我的帖子引起混亂）：

請忘記原始帖子以及sequence1和sequence2。

大家好，對於造成的混亂，我們深表歉意。 輸入的fasta文件是使用'FeatureExtract'工具（ http://www.cbs.dtu.dk/services/FeatureExtract/download.php ）源自GenBank文件的* .ffn文件，因此可以想象它們已經在幀（+1），無需在與+1不同的幀中編碼氨基酸。

我想知道以下序列編碼的氨基酸：

AGAGAG
GAGAGA
CTCTCT
TCTCTC

我想獲得編碼氨基酸的唯一字符串是三個AG，GA，CT或TC的重復，分別是（AG）3，（GA）3，（CT）3和（TC）3。 我不希望該程序檢索四個或四個以上重復序列的編碼氨基酸。

再次感謝，貝爾納多

Answer 1

這是至少應該使您入門的一些代碼。 例如，您可以像這樣運行：

./retrieve_coding_aa.pl file.fa ATAGTA

內容retrieve_coding_aa.pl ：

#!/usr/bin/perl 

use strict;
use warnings;

use File::Basename;
use Bio::SeqIO;
use Bio::Tools::CodonTable;
use Data::Dumper;

my $pattern = $ARGV[1];

my $fasta = Bio::SeqIO->new ( -file => $ARGV[0], -format => 'fasta');

while (my $seq = $fasta->next_seq ) {

    my $pos = 0;

    my %counts;

    for (split /($pattern)/ => $seq->seq) {

        if ($_ eq $pattern) {

            my $dist = $pos % 3;

            unless ($dist == 0) {

                my $num = 3 - $dist;

                s/.{$num}//;

                chop until length () % 3 == 0;
            }

            my $table = Bio::Tools::CodonTable->new();

            $counts{$_}++ for split (//, $table->translate($_));
        }

        $pos += length;
    }

    print $seq->display_id() . ":\n";

    map {

        print "$_ => $counts{$_}\n"
    }
    sort {

        $counts{$a} <=> $counts{$b}
    }
    keys %counts;

    print "\n";
}

以下是使用示例輸入的結果：

sequence1:
S => 1

sequence2:
V => 1
I => 1

---

Bio::Tools::CodonTable類還支持非標准密碼子使用表。 您可以使用id指針更改表。 例如：

$table = Bio::Tools::CodonTable->new( -id => 5 );

要么：

$table->id(5);

有關更多信息，包括如何檢查這些表的信息，請參見此處的文檔： http : //metacpan.org/pod/Bio :: Tools :: CodonTable

Answer 2

我會堅持使用您想要的第一個版本，因為附錄只會使我更加困惑。 （幀？）我僅在sequence2中發現一次ATAGTA，但我假設您也想要鏡像/反向序列，在這種情況下為ATGATA。 好吧，我的腳本沒有執行此操作，因此您必須將其在input_sequences文件中寫入兩次，但這應該沒問題。

我使用像您一樣的文件“ dna.txt”和一個輸入序列文件“ input_seq.txt”。 結果文件列出了模式及其在dna.txt文件中的出現（包括重疊結果，但可以將其設置為非重疊，如awk中所述）。

input_seq.txt：

GC
ATA
ATAGTA
ATGATA

dna.txt：

>sequence1
ATGGCGCATAGTAATGC
>sequence2
ATGATAGTAATGCGCGC

RESULTS.TXT：

GC,6
ATA,2
ATAGTA,2
ATGATA,1

代碼是awk調用另一個awk（但是其中一個很簡單）。 您必須運行“ ./match_patterns.awk input_seq.txt”才能生成結果文件。

* match_patterns.awk：*

#! /bin/awk -f
{return_value= system("awk -vsubval="$1" -f test.awk dna.txt")}

test.awk：

#! /bin/awk -f
{string=$0
do
{
where = match(string, subval)
# code is for overlapping matches (i.e ATA matches twice in ATATAC)
# for non-overlapping replace +1 by +RLENGTH in following line
if (RSTART!=0){count++; string=substr(string,RSTART+1)}
}
while (RSTART != 0)
}
END{print subval","count >> "results.txt"}

文件必須全部在同一目錄中。

祝好運！