Разбор файла GenBank: получить тег locus против продукта

Question

По сути, файл GenBank состоит из записей генов (объявляемых 'gene', за которыми следует соответствующая запись 'CDS' (только по одной на ген), подобно двум, которые я здесь показываю ниже. Я хотел бы получить locus_tag против продукта в символе с разделителями табуляции файл с двумя столбцами. 'gene' и 'CDS' всегда начинаются с пробелов.

Предыдущий вопрос предложил сценарий.

Проблема заключается в том, что, по-видимому, из-за того, что у "продукта" иногда есть символ "/" в имени, он конфликтует с этим сценарием, который, насколько я понимаю, использует "/" в качестве разделителя полей для хранения информации в массив?

Я хотел бы решить эту проблему, либо изменив этот скрипт, либо создав другой.

perl -nE'
  BEGIN{ ($/, $") = ("CDS", "\t") }
  say "@r[0,1]" if @r= m!/(?:locus_tag|product)="(.+?)"!g and @r>1
' file


 gene            complement(8972..9094)
                 /locus_tag="HAPS_0004"
                 /db_xref="GeneID:7278619"
 CDS             complement(8972..9094)
                 /locus_tag="HAPS_0004"
                 /codon_start=1
                 /transl_table=11
                 /product="hypothetical protein"
                 /protein_id="YP_002474657.1"
                 /db_xref="GI:219870282"
                 /db_xref="GeneID:7278619"
                 /translation="MYYKALAHFLPTLSTMQNILSKSPLSLDFRLLFLAFIDKR"
 gene            68..637
                 /locus_tag="HPNK_00040"
 CDS             68..637
                 /locus_tag="HPNK_00040"
                 /codon_start=1
                 /transl_table=11
                 /product="NinG recombination protein/bacteriophage lambda
                 NinG family protein"
                 /protein_id="CRESA:HPNK_00040"
                 /translation="MIKPKVKKRKCKCCGGEFKSADSFRKWCSAECGVKLAKIAQEKA
                 RQKAIEKRNREERAKIKATRERLKSRSEWLKDAQAIFNEYIRLRDKDEPCISCRRFHQ
                 GQYHAGHYRTVKAMPELRFNEDNVHKQCSACNNHLSGNITEYRINLVRKIGAERVEAL
                 ESYHPPVKWSVEDCKEIIKTYRAKIKELK"

Answer 1

Поскольку ваш пример файла GenBank был неполным, я вышел в Интернет, чтобы найти образец файла, который можно использовать в примере, и нашел этот файл.

Используя этот код и Bio::GenBankParser Модуль, он был проанализирован, чтобы угадать, какие части структуры вы были после. В этом случае "функции", которые содержали как locus_tag поле и product поле.

use strict;
use warnings;
use feature 'say';
use Bio::GenBankParser;

my $file = shift;
my $parser = Bio::GenBankParser->new( file => $file );
while ( my $seq = $parser->next_seq ) {
    my $feat = $seq->{'FEATURES'};
    for my $f (@$feat) {
        my $tag = $f->{'feature'}{'locus_tag'};
        my $prod = $f->{'feature'}{'product'};
        if (defined $tag and defined $prod) {
            say join "\t", $tag, $prod;
        }
    }
}

Использование:

perl script.pl input.txt > output.txt

Выход:

MG_001  DNA polymerase III, beta subunit
MG_470  CobQ/CobB/MinD/ParA nucleotide binding domain-containing protein

Вывод из одной строки для того же ввода будет:

MG_001  DNA polymerase III, beta subunit
MG_470  CobQ/CobB/MinD/ParA nucleotide binding
                     domain-containing protein

Предполагая, конечно, что вы добавляете /s Модификатор регулярного выражения для учета многострочных записей (на что указал Lee Duhem в комментариях):

m!/(?:locus_tag|product)="(.+?)"!sg
#                                ^---- this

Answer 2

Прочитав ваш дублированный вопрос http://www.biostars.org/p/94164/ (пожалуйста, не делайте двойной пост, как это), вот минимальный ответ Biopython:

import sys
from Bio import SeqIO
filename = sys.argv[1] # Takes first command line argument input filename
for record in SeqIO.parse(filename, "genbank"):
    for feature in record.features:
        if feature.type == "CDS":
            locus_tag = feature.qualifiers.get("locus_tag", ["???"])[0]
            product = feature.qualifiers.get("product", ["???"])[0]
            print("%s\t%s" % (locus_tag, product))

С небольшими изменениями вы можете записать это в файл.