perl - perl 中的哈希键可以有多个 'subvalues' 吗？

Question

我有一个基因列表和以下信息:

他们的名字是“XLOC_0000...”

他们所在的基因组支架“支架...”

每个特征在其脚手架上的位置('开始'，'停止')

我已经编写了一段 Perl 代码，用于查找基因组支架中的每个基因并将其保存到一个文件中。简而言之，首先我将每个基因放在数组的散列中，例如

 my %geneID = map { $xloc[$_] => [ $scaffold[$_], $start[$_], $stop[$_] ] } (0 .. $#xloc);

然后我对包含脚手架的 fasta 文件进行散列:

open FASTA, '<', 'genome.fasta' || die "Can't open 'genome.fasta'\n"; #Read in 'fasta' file
my (@head, @sequence);
while (<FASTA>) { 
    chomp;
    push @head, $_ if /^>/;     
    push @sequence, $_ if /^[A-Z]/;
}

my %scaf;
@scaf{@head} = @sequence; # All scaffolds, as ordered in FH.

然后我分配第一个HoA的元素，并使用substr，在同名的scaffold中找到基因的开始和停止位置

foreach my $xloc (sort keys %geneID) {
        print "gene sequence for $xloc is: ";
        my $chm = @{$geneID{$xloc}}[0];
        my $start = @{$geneID{$xloc}}[1];  
        my $end = @{$geneID{$xloc}}[2];
        my $seq = substr($scaf{$chm},$start-1,$end-($start-1));         
        print "$seq\n"; 
}

问题在于，如果我有同名的 xloc，例如XLOC_00001，哈希键只取最后一个值。我希望能够为每个散列添加多个“子值”，使用 substr 找到它们的位置，并在最后将它们连接在一起。

关于如何做到这一点的任何建议？

更新:

这是一个测试示例，显示了我得到的结果类型:

“基因组”快速文件

>Scaffold1
ONEATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold2
TWOATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold3
THREEATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold4
FOURATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold5
FIVEATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold6
SIXATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold7
SEVENATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold8
EIGHTATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold9
NINEATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA
>Scaffold10
TENATCGCGCTTAGTGCAGTACGTAGCTACGTGACTACTGA

%geneID 的键和值:

Key: XLOC_000027 contains the values: >Scaffold1 1 10 
Key: XLOC_000037 contains the values: >Scaffold2 1 15 
Key: XLOC_000038 contains the values: >Scaffold3 2 9 
Key: XLOC_000051 contains the values: >Scaffold4 6 8 
Key: XLOC_000077 contains the values: >Scaffold5 2 7 
Key: XLOC_000079 contains the values: >Scaffold6 4 16 
Key: XLOC_000096 contains the values: >Scaffold7 4 9 
Key: XLOC_000100 contains the values: >Scaffold8 3 20 
Key: XLOC_000117 contains the values: >Scaffold9 6 8 
Key: XLOC_000119 contains the values: >Scaffold10 7 14 

结果，将“基因”显示为每个 XLOC 所在的支架子串:

gene sequence for XLOC_000027 is: ONEATCGCG
gene sequence for XLOC_000037 is: TWOATCGCGCTTAG
gene sequence for XLOC_000038 is: HREEATCG
gene sequence for XLOC_000051 is: TCGCGCT
gene sequence for XLOC_000077 is: IVEATC
gene sequence for XLOC_000079 is: ATCGCGCTTAGTGCA
gene sequence for XLOC_000096 is: ENATCGCG
gene sequence for XLOC_000100 is: GHTATCGCGCTTAGTGCAG
gene sequence for XLOC_000117 is: TCGCGCT
gene sequence for XLOC_000119 is: GCGCTTAGTGCAG

Answer 1

听起来您需要将每组(脚手架、开始、停止)值推送到 %geneID 的每个元素的数组中。哈希。像这样

my %geneID;
push @{ $geneID{ $xloc[$_] } }, [ $scaffold[$_], $start[$_], $stop[$_] ] for 0 .. $#xloc;

然后，一旦 %scaf散列已经构建，您可以在序列的所有组成部分的循环中构建子序列的串联。

for my $xloc (sort keys %geneID) {

  my $sequence;
  for my $part (@{ $geneID{$xloc} }) {
    my ($chm, $start, $end) = @$part;
    my $off = $start - 1;
    my $len = $end - $off;
    $sequence .= substr $scaf{$chm}, $off, $len;
  }

  print "gene sequence for $xloc is: $sequence\n";
}

我希望这会有所帮助。

更新

顺便说一下，您的文件 open 中有一个错误声明。

open FASTA, '<', 'genome.fasta' || die "Can't open 'genome.fasta'\n"

是一样的

open FASTA, '<', ('genome.fasta' || die "Can't open 'genome.fasta'\n")

并且因为文件名总是正确的(除非它是 0 ) die永远不会被调用。

按照惯例，您应该使用较低优先级的 or运算符，连同词法文件句柄作为全局文件句柄被认为是不好的做法。

open my $fasta, '<', 'genome.fasta' or die "Can't open 'genome.fasta'\n"

而且，如果这对您很重要，请输入 \n在您的 die 的末尾string 阻止 perl 显示发生错误的文件和行号。

这整个循环写得更好

my $fasta_file = 'genome.fasta';
open my $fasta, '<', $fasta_file or die "Can't open '$fasta_file'";
my (%scaf, $scaffold);
while (<$fasta>) {
  chomp;
  $scaffold = $_ if /^>/;   
  $scaf{$scaffold} = $_ if /^[A-Z]/;
}