求助依多条件整理序列

tempo8

各位战友好!上百条序列，以6种读吗方式翻译（如图的上半部分），要作筛选确定其中的一种方式，并分拣出序列，存储！

筛选标准：
0. >这一行为ID，全行保留；1. 含WRKY字符; 2. *后面的M保留（序列起始）；WRKY后面的*保留（终止点）
数据与效果：（只作了其中的一条）
原始数据（上百条序列*6）见图的左半部分，
最终结果如右半部分！

思路：
chomp吗？

~/(>.{36})\*.+(M.+WRKY.+\*)/
取$1即为ID这一行，（TCONS_00007474_1 gene=LOC_Os01g09100长度36）
再取$2即为序列M.+WRKY.+\*
print $1\n$2

chenhao392

1.  每次读一个seq （seq merge到一行）。
2.  每一个seq都split by ＊, 变成array
3.  这个array的元素 match /M.*?WRKY/ 的话，print.

tempo8

1. $name=<STDIN>;
   
2. chomp($name);
   
3. 
   
4. open (IN, "$name")|| die ("Could not open file");
   
5. open (OUT,">out1$name.txt")|| die ("Could not open file");
   
6. $f=<IN>;
   
7. chomp($f);
   
8. print OUT $f;
   
9. while(<IN>)
   
10. {chomp;
    
11. my($line) = $_;
    
12. if ($line=~/(>.{36}).+\*.+(M.+WRKY.+?\*)/) {#~/(>.{36}).+(M.+WRKY.+?\*)/
    
13.        $line=join ("\n",$1,$2);            
    
14.   }
    
15. print OUT $line,"\n";
    
16. }
    
17. close (IN);
    
18. close (OUT);

复制代码

>TCONS_00010413_1 gene=LOC_Os01g47560RF*RGETYRSIAS*LVIWYGLDGCRSAAKGGKAGKGEKRARQPRFAFMTKSEVDHLEDGYRWRKYGQKAVKNSPYPRSYYRCTTQKCPVKKRVERSYQDPAVVITTYEGKHTHPIPATLRGSTHLLAAHAQAAAAAAAAHQLHHHHGHHGHHGMAPPLPLGSGAAAQFGRSSGIDVLSSFLPRAAAAHHGMTTMGGAAATTTTSHGLNSAISGGGGVSSETTSAVTVAASAQPSSPAALQMQHFMAQDLGLLQDMLLPSFIHGTNQP*RDDHHQSEAELIIRLARQEVIWLSIDHAV*LINISLHLFPPK*SPS

tempo8

请大侠们斧正！还是有些小问题：

图左是上述代码整理的！
图右半部分是Notepad搜索的！
为何他们整理的结果不一样呢?见椭圆部分！

实际上：我是想取星号*后第一个M开始的，即(M.+WRKY.+\*)这一部分！）

tempo8

举一反三又出问题了

实际上最终目的是取星号*后第一个M开始，含[FYW].M.[DE][FYW]这一保守基序，以*终止的序列
可是下面代码中的RegExp貌似有问题

:wink: 序列如下
>TCONS_00008129Os01g15640_2
FDR*VSFLGI*LCKLLMIFHITAKCDVPTQDNKWHFFAARDRKYPNGSRSNRATVAGY
WKSTGKDRAIKMGKQTIGTKKTLVFHEGRPPTGRRTEWIMHEYYIDERECQACPDMKDAY
VLCRITKRNDWIPGNGNELDNSDPHPEPYDAPPSVISTEQLNPAAEPVVGVEAAPVTVAE
PDGVTTSAITANIPSPSDDINLDDWLNELFDPFFDPEQSLASADLSPDEQNVESSNVGAL
APKVEQDYSSPNENVVDDTEYLLPEDVYNILHPGTDDFNMLQNPLDQYPIQYATDVWSGI
QKEELWSPQANAEPSQSNEAADNGIIRRYRSMKTPETSVPQFKGKTQAKMRVGINKMATS
SSESINQTIKFENSGRLVEHQKNQAHDVASTKRSDAGKPSTELSSNRGFLRGIRNAFAGC
SDARWNMILVAGFAIGVAVVALHIGQRLGLSQRDQQHT*PLGLQVTGFLCFLQSGET*TN

tempo8

M[^*]+?W[^*]M[^*][DE][FYW][^*]+?\*在Notepad中查找好了！
可是写进perl又不行了！请战友们帮忙诊断！谢谢

1. print "请输入文件全名\n";
   
2. $name=<STDIN>;
   
3. chomp($name);
   
4. 
   
5. open (IN, "$name")|| die ("Could not open file");
   
6. open (OUT,">out1$name.txt")|| die ("Could not open file");
   
7. $f=<IN>;
   
8. chomp($f);
   
9. print OUT $f;
   
10. while(<IN>)
    
11. {chomp;
    
12. my($line) = $_;
    
13. if ($line=~/(>.{26}).+\*.+(M[^*]+?W[^*]M[^*][DE][FYW][^*]+?\*)/){
    
14.        $line=join ("\n",$1,$2);            
    
15.   }
    
16. print OUT $line,"\n";
    
17. }
    
18. close (IN);
    
19. close (OUT);

复制代码

chenhao392

1. 输入数据奇怪，4楼左图gene＝LOC.. 在ID行，右侧在序列行开始部分。
2. 没有一行的数据满足> 开始，并含有序列的，所以Perl的代码应该啥都match不上啊？
3. line 5-8, 你把<IN> 的第一行拿出来，chomp了放进 <OUT>, 这是干嘛？
4.  while loop 里，不匹配的line也会打印给OUT，这是你想要的？

tempo8

回复 7# chenhao392 谢谢提醒！

1. 输入数据奇怪，4楼左图gene＝LOC.. 在ID行，右侧在序列行开始部分。
答：不好意思！右侧是chomp过的(即line 5-8, 你把<IN> 的第一行拿出来，chomp了放进 <OUT>!
2. 没有一行的数据满足> 开始，并含有序列的，所以Perl的代码应该啥都match不上啊？
答：Perl代码重新整理了！
3. line 5-8, 你把<IN> 的第一行拿出来，chomp了放进 <OUT>, 这是干嘛？
答：目的是删除换行符，再搜模式
4.  while loop 里，不匹配的line也会打印给OUT，这是你想要的？
答: 要的结果是图左上半部分的fasta格式的序列！

附上能用多条件整理序列的代码)请斧正！谢谢

1. {local $/=">";
   
2. while (<DATA>){
   
3.         if($_=~m/(.{26}).+?\*.+?(M[^*]+W[^*]M[^*][DE][FYW][^*]+?\*)/s){
   
4.        my $f=join ("\n",">".$1,$2);
   
5.           print $f,"\n";
   
6.         }
   
7.                         }
   
8. }
   
9. __DATA__
   
10. >TCONS_00008129Os01g15640_2
    
11. FDR*VSFFYFLASFVCMPLGI*LCKLLMIFHITAKCDVPTQDNKWHFFAARDRKYPNGSRSNRATVAGY
    
12. WKSTGKDRAIKMGKQTIGTKKTLVFHEGRPPTGRRTEWIMHEYYIDERECQACPDMKDAY
    
13. VLCRITKRNDWIPGNGNELDNSDPHPEPYDAPPSVISTEQLNPAAEPVVGVEAAPVTVAE
    
14. PDGVTTSAITANIPSPSDDINLDDWLNELFDPFFDPEQSLASADLSPDEQNVESSNVGAL
    
15. APKVEQDYSSPNENVVDDTEYLLPEDVYNILHPGTDDFNMLQNPLDQYPIQYATDVWSGI
    
16. QKEELWSPQANAEPSQSNEAADNGIIRRYRSMKTPETSVPQFKGKTQAKMRVGINKMATS
    
17. SSESINQTIKFENSGRLVEHQKNQAHDVASTKRSDAGKPSTELSSNRGFLRGIRNAFAGC
    
18. SDARWNMILVAGFAIGVAVVALHIGQRLGLSQRDQQHT*PLGLQVTGFLCFLQSGET*TN
    
19. >TCONS_00008129Os01g15640_3
    
20. QILGGFETRVMGIGCDPVEIRVDRSVGWLCEEMVFLK*FGIWGIRIAALPSVLQ*DDKSV
    
21. NSRLFFLFPF*LAYNRISPHFSGGLM*NLELLPYSY*SF*NFLPCLL*T*NCQ*LERRKH

复制代码