- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
向全世界的 Perl 大师们问好。
我在编程方面遇到了另一个麻烦。我正在编写一个程序,该程序从具有特定输入编号的蛋白质组 fasta 文件中选择随机序列。
一般的 fasta 文件如下所示:
>seq_ID_1 descriptions etc ASDGDSAHSAHASDFRHGSDHSDGEWTSHSDHDSHFSDGSGASGADGHHAH ASDSADGDASHDASHSAREWAWGDASHASGASGASGSDGASDGDSAHSHAS SFASGDASGDSSDFDSFSDFSD
>seq_ID_2 descriptions etc ASDGDSAHSAHASDFRHGSDHSDGEWTSHSDHDSHFSDGSGASGADGHHAH ASDSADGDASHDASHSAREWAWGDASHASGASGASG
and so on.......
字母代表氨基酸肽。
所以我有一个包含 1000 个序列的 fasta 文件,我想检索其中的 63.21%,即 632.1 个序列。但是序列不能是 float ,所以如果它超过 0.5 我想四舍五入,如果小于 0.5 我想四舍五入。
这是我生成随机序列子集的代码,但它的工作效率稍差。
#!/usr/bin/perl
#Selecting 63.21% of random sequnces from a proteom file.
use strict;
use warnings;
use List::Util qw(shuffle);
#Give the first argument as a proteom file.
if (@ARGV != 1)
{
print "Invalid arguments\n";
print "Usage: perl randseq.pl [proteom_file]";
exit(0);
}
my $FILE = $ARGV[0];
my $i = 0;
my %protseq = {};
my $nIdx = 0;
#Extraction and counting of the all headers from a proteom file.
open(LIST,$FILE);
open(TEMP1, ">temp1");
while (my $line = <LIST>){
chomp $line;
if ($line =~ />(\S+) (.+)/){
$i++;
print TEMP1 $1,"\n";
}
}
close(LIST);
close(TEMP1);
#Selection of random headers for generating a random subset of the proteom file.
my $GET_LINES = RoundToInt ($i*0.6321);
my @line_starts;
open(my $FH,'<','temp1');
open(TEMP2, ">temp2");
do {
push @line_starts, tell $FH
} while ( <$FH> );
my $count = @line_starts;
my @shuffled_starts = (shuffle @line_starts)[1..$GET_LINES+1];
for my $start ( @shuffled_starts ) {
seek $FH, $start, 0
or die "Unable to seek to line - $!\n";
print TEMP2 scalar <$FH>;
}
close(TEMP2);
#Assigning the sequence data to randomly generated header file.
open(DATA,'<','temp2');
while(my $line = <DATA>)
{
chomp($line);
$line =~ s/[\t\s]//g;
if($line =~ /^([^\s]+)/)
{
$protseq{$1}++;
}
}
close(DATA);
open(DATA, "$FILE");
open(OUT, ">random_seqs.fasta");
while(my $line = <DATA>)
{
chomp($line);
if($line =~ /^>([^\s]+)/)
{
if($protseq{$1} ne "")
{
$nIdx = 1;
print OUT "$line\n";
}
else
{
$nIdx = 0;
}
}
else
{
if($nIdx == 1)
{
print OUT "$line\n";
}
}
}
close(DATA);
close(OUT);
#subroutine for rounding
sub RoundToInt {
int($_[0] + .5 * ($_[0] <=> 0));
}
system("erase temp1");
system("erase temp2");
exit;
但是,它有时会给出正确数量的序列,有时会多出一个序列。我怎样才能摆脱那个……请问有什么想法吗?
或者更短的代码?
在这里您可以获得一个75酵母蛋白质组文件。 [http://www.peroxisomedb.org/Download/Saccharomyces_cerevisiae.fas][1]
希望我能尽快解决这个问题...:(
最佳答案
您的方法看起来不错,只是不必要地复杂了。我会这样做:
use strict;
use warnings;
# usage: randseq.pl [fraction] < input.fasta > output.fasta
my $fraction = (@ARGV ? shift : 0.6321);
# Collect input lines into an array of sequences:
my @sequences;
while (<>) {
# A leading > starts a new sequence. (The "\" is only there to
# avoid confusing the Stack Overflow syntax highlighting.)
push @sequences, [] if /^\>/;
push @{ $sequences[-1] }, $_;
}
# Calculate how many sequences we want:
my $n = @sequences;
my $k = int( $n * $fraction + 0.5 );
warn "Selecting $k out of $n sequences (", 100 * $k / $n, "%).\n";
# Do a partial Fisher-Yates shuffle to select $k random sequences out of $n:
foreach my $i (0 .. $k-1) {
my $j = $i + int rand($n-$i);
@sequences[$i,$j] = @sequences[$j,$i];
}
# Print the output:
print @$_ for @sequences[0 .. $k-1];
请注意,此代码将输入文件的全部内容读入内存。如果输入文件太大,而你只想要它的一小部分,可以使用 reservoir sampling从任意大的集合中选择 k 个随机序列而无需保留更多:
use strict;
use warnings;
my $k = (@ARGV ? shift : 632); # sample size: need to know this in advance
# Use reservoir sampling to select $k random sequences:
my @samples;
my $n = 0; # total number of sequences read
my $i; # index of current sequence
while (<>) {
if (/^\>/) {
# Select a random sequence from 0 to $n-1 to replace:
$i = int rand ++$n;
# Save all samples until we've accumulated $k of them:
$samples[$n-1] = $samples[$i] if $n <= $k;
# Only actually store the new sequence if it's one of the $k first ones:
$samples[$i] = [] if $i < $k;
}
push @{ $samples[$i] }, $_ if $i < $k;
}
warn "Only read $n < $k sequences, selected all.\n" if $n < $k;
warn "Selected $k out of $n sequences (", 100 * $k / $n, "%).\n" if $n >= $k;
# Print sampled sequences:
print @$_ for @samples;
但是,如果您真的想要输入序列的某个部分,您需要首先在文件的单独传递中对它们进行计数。
作为副作用,上述两个程序也统一打乱采样序列。 (事实上 ,我故意调整了水库采样算法,使 n 和 k 的所有值的洗牌统一。)如果你不想那样,你总是可以在打印序列之前,根据您喜欢的任何标准对序列进行排序。
关于regex - 从 fasta 文件生成随机子集序列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15547280/
今天我在一个 Java 应用程序中看到了几种不同的加载文件的方法。 文件:/ 文件:// 文件:/// 这三个 URL 开头有什么区别?使用它们的首选方式是什么? 非常感谢 斯特凡 最佳答案 file
就目前而言,这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持,但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开,visit the he
我有一个 javascript 文件,并且在该方法中有一个“测试”方法,我喜欢调用 C# 函数。 c# 函数与 javascript 文件不在同一文件中。 它位于 .cs 文件中。那么我该如何管理 j
需要检查我使用的文件/目录的权限 //filePath = path of file/directory access denied by user ( in windows ) File fil
我在一个目录中有很多 java 文件,我想在我的 Intellij 项目中使用它。但是我不想每次开始一个新项目时都将 java 文件复制到我的项目中。 我知道我可以在 Visual Studio 和
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 这个问题似乎不是关于 a specific programming problem, a software
我有 3 个组件的 Twig 文件: 文件 1: {# content-here #} 文件 2: {{ title-here }} {# content-here #}
我得到了 mod_ldap.c 和 mod_authnz_ldap.c 文件。我需要使用 Linux 命令的 mod_ldap.so 和 mod_authnz_ldap.so 文件。 最佳答案 从 c
我想使用PIE在我的项目中使用 IE7。 但是我不明白的是,我只能在网络服务器上使用 .htc 文件吗? 我可以在没有网络服务器的情况下通过浏览器加载的本地页面中使用它吗? 我在 PIE 的文档中看到
我在 CI 管道中考虑这一点,我应该首先构建和测试我的应用程序,结果应该是一个 docker 镜像。 我想知道使用构建环境在构建服务器上构建然后运行测试是否更常见。也许为此使用构建脚本。最后只需将 j
using namespace std; struct WebSites { string siteName; int rank; string getSiteName() {
我是 Linux 新手,目前正在尝试使用 ginkgo USB-CAN 接口(interface) 的 API 编程功能。为了使用 C++ 对 API 进行编程,他们提供了库文件,其中包含三个带有 .
我刚学C语言,在实现一个程序时遇到了问题将 test.txt 文件作为程序的输入。 test.txt 文件的内容是: 1 30 30 40 50 60 2 40 30 50 60 60 3 30 20
如何连接两个tcpdump文件,使一个流量在文件中出现一个接一个?具体来说,我想“乘以”一个 tcpdump 文件,这样所有的 session 将一个接一个地按顺序重复几次。 最佳答案 mergeca
我有一个名为 input.MP4 的文件,它已损坏。它来自闭路电视摄像机。我什么都试过了,ffmpeg , VLC 转换,没有运气。但是,我使用了 mediainfo和 exiftool并提取以下信息
我想做什么? 我想提取 ISO 文件并编辑其中的文件,然后将其重新打包回 ISO 文件。 (正如你已经读过的) 我为什么要这样做? 我想开始修改 PSP ISO,为此我必须使用游戏资源、 Assets
给定一个 gzip 文件 Z,如果我将其解压缩为 Z',有什么办法可以重新压缩它以恢复完全相同的 gzip 文件 Z?在粗略阅读了 DEFLATE 格式后,我猜不会,因为任何给定的文件都可能在 DEF
我必须从数据库向我的邮件 ID 发送一封带有附件的邮件。 EXEC msdb.dbo.sp_send_dbmail @profile_name = 'Adventure Works Admin
我有一个大的 M4B 文件和一个 CUE 文件。我想将其拆分为多个 M4B 文件,或将其拆分为多个 MP3 文件(以前首选)。 我想在命令行中执行此操作(OS X,但如果需要可以使用 Linux),而
快速提问。我有一个没有实现文件的类的项目。 然后在 AppDelegate 我有: #import "AppDelegate.h" #import "SomeClass.h" @interface A
我是一名优秀的程序员,十分优秀!