view interpro/paso4.pl @ 0:c342ebb50f0b draft default tip

Uploaded

#!/usr/bin/perl -w
$| = 1;

# Dado un fichero en formato GFF3 que incluye el análisis de varias secuencias,
# el programa devuelve un fichero de texto que incluye los valores comunes a todas las secuencias dadas
# para los atributos:
    # Name -> Entrada de la base de datos de donde se ha obtenido una característica determinada;
    # Ontology_term -> Entradas de Gene Ontology para una característica dada;
    # Dbxref -> Entra de Interpro para una característica dada.

use strict;


# Declaración e inicialización de variables

my $fichero_ent = "";                               #Nombre de fichero en formato GFF3 a analizar tomado de líneas de comandos
my $output="";                                      #Fichero de salida pasado como parámetro
my (@id_1, @id_2) = ();                             #Almacenan temporalmente las líneas directivas e ID de las secuencias
my @ids = ();                                       #Todos los ID-seq del archivo
my @temp = ();                                      #Todas las líneas de características del archivo
my $lin = "";                                       #Recupera cada ID del @ids
my @lin_id = ();                                    #Todas las líneas de características para un ID determinado
my (@t1, @t3) = ();                                 #Almacenan temporalmente las características y atributos de una línea dada
my $atributo = "";                                  #Únicamente la característica "Atributos" de cada línea de características
my @etiquetas = ("Name","Ontology_term","Dbxref");  #Son los tres tipos de atributos comunes que se van a extraer del fichero
my @sel_atrib = ();                                 #Los atributos correspondientes a una etiqueta dada en cada fila 
my ($etiq, $atrib) = "";                            #La etiqueta y el valor respectivamente, de un atributo en una línea
my @val_atrib = ();                                 #Los diferentes posibles valores de un atributo en una línea
my (@valores, @valores_rep) = ([],[],[]);           #Valores de cada atributo para cada ID-seq y los valores repetidos para todos los ID-seq
my @repetidos = ();                                 #Almacena temporalmente los valores comunes para cada atributo, entre los ID-seq analizados


######## Abrir fichero y seleccionar lineas #########

($fichero_ent,$output) = @ARGV;

open(ARCHGFF3, $fichero_ent) || die "Failure to open the file \"$fichero_ent\"\n\n";      #Abre el fichero
        
while (<ARCHGFF3>)  {                                   #Lee el archivo
    chomp $_;
    if ($_ =~ /^##FASTA/) {                             #Elimina la parte de secuencias fasta
        last;
    }elsif ($_ =~ /^##sequence-region./) {      
        push (@id_1, $_)                                #Las líneas directivas de sequence-region, para obtener su ID correspondiente
    }elsif ($_ =~ /^#+/) {                              #Elimina líneas de comentarios y directivas, excepto el tipo anterior
        next;   
    }else { push (@temp, $_)};                          #Almacena las líneas con los atributos de todos los ID
}; 
close ARCHGFF3;                                    

###########  Seleccionar ID de la línea directiva  ##################

foreach (@id_1) {
    @id_2 = split(/\s/,$_,3); 
    push (@ids, $id_2[1]);                              #Almacena todos los ID-seq que hay en el archivo
}

###########  Seleccionar un ID-seq determinado y todas sus filas de características  ##################

my $i = 0;                                              #Para distinguir entre la primera secuencia y el resto
foreach $lin (@ids) {
    @lin_id = grep (/^$lin/, @temp);                    #Todas las líneas de características correspondientes al ID seleccionado 

###########  Seleccionar, para cada línea de características, la columna novena de atributos  ##################

    foreach (@lin_id) {
        @t1 = split(/\t/,$_);                           #Cada elemento es una característica de la línea dada
        $atributo = $t1[8];                             #Únicamente la característica "atributos" de la línea dada
            
    #Seleccionar los atributos "Name", "Ontology_term" y "Dbxref" de la columna 9
    
        @t3 = split(/;/, $atributo);                    #Cada elemento es un atributo de la característica "Atributos" de una línea dada 
        
###########  Almacenar los diferentes valores de cada atributo (Name, Ontology_term y Dbxref) #############
###########  de un ID_seq determinado en un @rray diferente                                   #############
    
        for my $cont (0..2){ 
            if (@sel_atrib = grep (/^$etiquetas[$cont]./, @t3)) {      #Evitar valores no definidos para un atributo concreto
                ($etiq, $atrib) = split (/=/, $sel_atrib[0], 2); 
                @val_atrib = split (/,/, $atrib); 
                foreach my $valor (@val_atrib) {                              
                    if (!grep (/$valor/, @{$valores[$cont]})) {        #Evitar valores repetidos de un mismo atributo para un ID-seq determinado
                            push (@{$valores[$cont]}, $valor);         #Todos los valores diferentes de cada atributo para un ID-seq determinado    
                    }
                }    
            }
        }    
    }
    
###########  Comprobar los atributos comunes a todos los ID-seq y guardarlos  #################

    if ($i == 0) {                                                     #Para el primer ID-seq se guardan todos sus atributos
        for my $cont (0..2) {                                          #no repetidos. Como mucho, serán todos estos la solución.
            $valores_rep[$cont] = [@{$valores[$cont]}];                
            $valores[$cont] = [];
        }
        $i++;
    } else {                                                                        
        for my $cont (0..2) {
            foreach my $valor (@{$valores[$cont]}) {
                if (grep (/$valor/, @{$valores_rep[$cont]})) {         #Búsqueda valores comunes para cada tipo atributo entre los
                    push (@repetidos, $valor);                         #ID-seq analizados.
                }
            }
            $valores_rep[$cont] = [@repetidos];                        #Todos los valores comunes de los tres tipos de atributos para
            $valores[$cont] = [];                                      #todas las secuencias del fichero.
            @repetidos = ();
        }
    }
    
}


############ Impresión de resultados ######################

if (!open(FICHEROUT, ">$output")) { 
    print "The file \"$output\" can not be opened";
} else {
    print FICHEROUT "The common atributes of the sequences ","@ids"," are:\n";
    for my $cont (0..2) {
        print FICHEROUT "For atribute ","$etiquetas[$cont]" ," : ";
        if (scalar @{$valores_rep[$cont]} == 0) {
            print FICHEROUT "No common atributes \n";
        }else { print FICHEROUT "@{$valores_rep[$cont]}", "\n"}
    }
    close (FICHEROUT);
}
exit;