Recherche:Répétition des bases dans l'ADN des procaryotes/Annexe/Perl
Compilation des codons
modifier# ********** Codon.pl ***********
#
#!/usr/bin/env perl
#use strict;
#use warnings;
#use v5.22;
## Décompte des codons des gènes de protéines. Documentation, Paris le 9.9.16
#
# Ce programme décompte les 64 codons d'un gène d'une protéine d'un organisme donné. Les décomptes de plusieurs gènes du même organisme
# peuvent être cumulés etle résultat affiche une ligne pour cet organisme.
# − cumul: Il a éte écrit au début pour afficher les cumuls de plusieurs organismes pour étudier l'évolution de la fréquence d'un codon
# donné en fonction du contenu en GC (%GC) de l'ADN des procaryotes.
# − décompte: Il est surtout utilisé pour étudier l'évolution de la fréquence d'un codon donné d'un seul gène en fonction du contenu en
# GC (%GC) de l'ADN des procaryotes ou de celui du gène lui-même.
# fichiers en entrée: xxxppp d'après la liste de fichiers @x sous forme d'un tableau de tableaux pour pouvoir faire des cumuls sur les
# protéines si nécessaire.
# - En lecture, longueur des lignes fixe de 60 caractères minuscules,format KEGG. Si majuscules pensez à basuler le tableau @cod en
# majuscules sous writer ou word. Copier la séquence de nucléotides "NT seq".
# - xxx, nom codé KEGG du procaryote.
# - ppp, nom de la protéine sous format EC (Enzyme Commission numbers) sans les séparations par point. Dans le cas de non-enzyme le nom
# est empreinté à KEGG dans son entrée "KEGG orthology" que je signale dans les références.
# - pour récupérer le fichier dans KEGG il suffit de rechercher le code EC ( avec points ) dans un moteur de recherche et prendre une
# adresse KEGG.
# + rechercher chaque procaryote par son code KEGG sous la forme 'xxx:'. Il peut y avoir plusieurs gènes pour le même enzyme.
# Voir les références suivantes (le tableau des références est dans l'article wikipédia):
# + fr.wikiversity.org/wiki/Recherche:Répétition_des_bases_dans_l%27ADN_des_procaryotes.
# + la recherche par code "orthology" dans un moteur de recherche est plus simple parce qu'on accède directement aux gènes
# après avoir choisi le procaryote.
# fichier en sortie, résultat du comptage des codons: codonsc.txt (création et mise à jour) contient les tableaux "1 gène/n procaryotes"
# et "1 procaryote/ n gènes".
# fichier en sortie, sommation des codons en acides aminés: codonsp.txt (création et mise à jour), tableaux "1 gène/n procaryotes"
# et "1 procaryote/ n gènes".
#
# Note: pour la programmatioon Perl
#$x0=@{$x[0]}; @z0=@{$x[0]}; # $x0=@z0 équivalent à $x0=@{$x[0]}
#$x1=@{$x[1]}; @z1=@{$x[1]}; # @z0=@{$x[0]} est la 1ère sous-liste
#$x2=@{$x[2]}; @z2=@{$x[2]};
#
# liste avec cumuls:
#my @x=([a1653, a1653m, a1653n], [a2777A, a27771, a27761, a27762, a63551, a63552], [a6114, a6115, a27140, aseca, a4213]);
# liste décompte, sans cumuls:
#my @x=([a1653],[a1653m],[a1653n],[a2777A],[a27771],[a27761],[a27762],[a63551],[a63552],[a6114],[a6115],[a27140],[aseca],[a4213]);
#
my @x=([a1653],[a1653m],[a1653n],[a2777A],[a27771],[a27761],[a27762],[a63551],[a63552],[a6114],[a6115],[a27140],[aseca],[a4213]);
$t=@x; $t1=$t-1;
@noms=(age, amd, roa, saci, sma, sgr, sho, sus ); # liste des organismes
$n=@noms; # nombre d'organismes
@u = ([[(0)x64]x$t]x$n);
# ****************************************************
my $filenamer = "codonsc.txt"; # Sous Linux
open ($fhr, '>>', $filenamer) or die "Impossible d'ouvrir le fichier $filenamer en ajout";
my $filenamera = "codonsa.txt"; # Sous Linux
open ($fhra, '>>', $filenamera) or die "Impossible d'ouvrir le fichier $filenamera en ajout";
# ****************************************************
#
foreach $r (0..$t1) { @y=@{$x[$r]}; # liste de plusieurs gène préfixés par a, à traiter un à un.
protein(@y);} # traiter un seul gène pour plusieurs organismes à partir d'une liste de plusieurs gènes
ptprot(@u, @x); # 1 seul organisme pour plusieurs gènes à partir d'une liste d'organisme
close $fhr;
close $fhra;
#
sub protein { # *** sub protein ***
@z=@y;
#
# *** Tableau des codons ****** # liste des organismes
@cod = (tta,ttg,ctt,cta,ctg,ctc, # Leu 6 codons Leu 0..5
aaa,aag,ttt,ttc, # Lys Phe 2 codons Lys et 2 codons Phe 6..9
tct,tca,agt,tcg,tcc,agc, # Ser 6 codons Ser 10..15
tat,tac,aat,aac, # Tyr Asn 2 codons Tyr et 2 Codons Asn 16..19
aga,cga,cgt,agg,cgc,cgg, # Arg 6 codons Arg 20..25
cat,cac,caa,cag, # His Gln 2 codons His et 2 codons Gln 26..29
gga,ggt,ggc,ggg, # Gly 4 codons Gly 30..33
gaa,gag,gat,gac, # Glu Asp 2 codons Glu et 2 codons Asp 34..37
gca,gct,gcg,gcc, # Ala 4 codons Ala 38..41
tgt,tgc,atg, # Cys Met 2 codons Cys et 1 codon Met 42..44
cca,cct,ccg,ccc, # Pro 4 codons Pro 45..48
tgg, # Trp 1 codon Trp 49
gtt,gta,gtg,gtc, # Val 4 codons Val 50..53
act,aca,acg,acc, # Thr 4 codons Thr 54..57
att,ata,atc, # Ile 3 codons Ile 58..60
taa,tag,tga); # Stp 3 codons Stp 61..64
#
$m=@z; # nombre de gènes
$pt=$m-1;
$nt=$n-1;
@q = ([(0)x64]x$n); # tableau des compteurs de 64 codons par organisme
@fic = (a)x$m; # tableau intermédiaire des noms d'organismes
$i=0;
$j=0;
@p = (0)x64; # tableau de 64 compteurs intermédiaires
# tableau des compteurs de 64 codons par organisme
foreach $l (0..$nt) { # traitement de chaque organisme (age, amd, roa, saci, sma, sgr, sho, sus)
@p = (0)x64; #
foreach $k (0..$pt) { # constitution des noms de ses fichiers de gènes présents ou non pour les cumuls
$lz=length($z[$k])-1;
$zi=substr($z[$k],1,$lz); # sauter le préfixe du nom
$fic[$k]=$noms[$l].$zi; # concaténation organisme..gène: les fichiers KEGG de 60 cractères du gène de cet organisme,
# exemple ade2777A, organisme ade gène 2777A.
} # la liste des noms des fichiers de l'organisme est constituée.
foreach $k (0..$pt) { comptfich($fic[$k]);} # traitement de la liste des fichiers de l'organisme
sub comptfich { # routine de décompte d'un fichier comme age1653
$filename=$fic[$k]; # récupération du nom du fichier
open ($fh, '<', $filename) or die "Impossible d'ouvrir le fichier $filename en lecture";
while( defined( $lis = <$fh> ) ) { # traitement ligne par ligne jusqu'à la fin
chomp $lis;
while ($i <= 60) {
$lu = substr($lis,$i,3 ); # un codon
foreach $j (0..63) { # traitement du codon lu
if( $lu eq $cod[$j] ) { $p[$j]+=1; } # +1 dans son compteur
}
$i=$i+3; } # avancer de 3 caractères et relire
$i = 0; } # fin de la ligne, remise à zéro du compteur de cractères
close $fh;
# # fin de la routine
} # fin d'un organisme
@{$q[$l]}=@p; } # sauvegarde des compteurs intermédiaires dans les compteurs affectés à l'organisme dans
@{$u[$r]}=@q; # le tableau général @q. Organisme suivant.
# ******* écriture de l'en-tête codons *******
#
foreach $k (0..$pt) { # écriture des noms des gènes traités
print $fhr ($z[$k],";"); }
print $fhr ("\n");
print $fhr ( "Génome;"); # organisme
foreach $i (0..9) {
print $fhr ($cod[$i],";");} # Leu, Lys, Phe.
#
foreach $i (10..19) {
print $fhr ($cod[$i],";");} # Ser, Tyr, Asn
#
foreach $i (20..29) {
print $fhr ($cod[$i],";");} # Arg, His, Gln
#
foreach $i (30..37) {
print $fhr ($cod[$i],";");} # Gly, Glu, Asp
#
foreach $i (38..44) {
print $fhr ($cod[$i],";");} # Ala, Cys, Met
print $fhr ($cod[49],";"); # Trp
#
foreach $i (45..48) {
print $fhr ($cod[$i],";");} # Pro
#
foreach $i (50..53) {
print $fhr ($cod[$i],";");} # Val
#
foreach $i (54..57) {
print $fhr ($cod[$i],";");} # Thr
#
foreach $i (58..60) {
print $fhr ($cod[$i],";");} # Ile
#
foreach $i (61..63) {
print $fhr ($cod[$i],";"); } # Stp
#
print $fhr ("\n");
#
#
# ******* écriture des compteurs codons de tous les organismes *******
#
foreach $i (0..$nt) {
print $fhr ( $noms[$i],";"); # nom de l'organisme
@w=@{$q[$i]}; # récupération des compteurs de l'organisme
foreach $k (0..9) { # compteurs des codons de Leu, Lys, Phe
print $fhr ( $w[$k],";");}
#
foreach $k (10..19) { # compteurs des codons de Ser, Tyr, Asn
print $fhr ( $w[$k],";");}
#
foreach $k (20..29) { # compteurs des codons de Arg, His, Gln
print $fhr ( $w[$k],";");}
#
foreach $k (30..37) { # compteurs des codons de Gly, Glu, Asp
print $fhr ( $w[$k],";");}
#
foreach $k (38..44) { # compteurs des codons de Ala, Cys, Met, Trp
print $fhr ( $w[$k],";");}
print $fhr ( $w[49],";");
#
foreach $k (45..48) { # compteurs des codons de Pro
print $fhr ( $w[$k],";");}
#
foreach $k (50..53) { # compteurs des codons de Val
print $fhr ( $w[$k],";");}
#
foreach $k (54..57) { # compteurs des codons de Thr
print $fhr ( $w[$k],";");}
#
foreach $k (58..60) { # compteurs des codons de Ile
print $fhr ( $w[$k],";");}
#
foreach $k (61..63) { # compteurs des codons de Stp
print $fhr ( $w[$k],";");}
#
print $fhr ("\n"); }
#
# ******* écriture de l'en-tête aas *******
#
foreach $k (0..$pt) { # écriture des noms des gènes traités
print $fhra ($z[$k],";"); }
print $fhra ("\n");
print $fhra ( "Génome;"); # organisme
print $fhra ( "Leu;"); # Leu
print $fhra ( "Lys;Phe;Ser;"); # Lys, Phe, Ser
print $fhra ( "Tyr;Asn;Arg;"); # Tyr, Asn, Arg
print $fhra ( "His;Gln;Gly;"); # His, Gln, Gly
print $fhra ( "Glu;Asp;Ala;"); # Glu, Asp, Ala
print $fhra ( "Cys;Met;Trp;Pro;"); # Cys, Met, Trp, Pro
print $fhra ( "Val;"); # Val
print $fhra ( "Thr;"); # Thr
print $fhra ( "Ile;"); # Ile
print $fhra ( "Stp;"); # Stp
print $fhra ("\n");
#
#
# ******* écriture des compteurs des aas de tous les organismes *******
#
foreach $i (0..$nt) {
print $fhra ( $noms[$i],";"); # nom de l'organisme
@w=@{$q[$i]}; # récupération des compteurs de l'organisme
#foreach $k (0..9)
$leu=$w[0]+$w[1]+$w[2]+$w[3]+$w[4]+$w[5];
print $fhra ($leu,";"); # Leu total
$lys=$w[6]+$w[7];
print $fhra ($lys,";"); # Lys total
$phe=$w[8]+$w[9];
print $fhra ($phe,";"); # Phe total
#foreach $k (10..19)
$ser=$w[10]+$w[11]+$w[12]+$w[13]+$w[14]+$w[15];
print $fhra ($ser,";"); # Ser total
$tyr=$w[16]+$w[17];
print $fhra ($tyr,";"); # Tyr total
$asn=$w[18]+$w[19];
print $fhra ($asn,";"); # Asn total
#foreach $k (20..29)
$arg=$w[20]+$w[21]+$w[22]+$w[23]+$w[24]+$w[25];
print $fhra ($arg,";"); # Arg total
$his=$w[26]+$w[27];
print $fhra ($his,";"); # His total
$gln=$w[28]+$w[29];
print $fhra ($gln,";"); # Gln total
#foreach $k (30..37)
$gly=$w[30]+$w[31]+$w[32]+$w[33];
print $fhra ($gly,";"); # Gly total
$glu=$w[34]+$w[35];
print $fhra ($glu,";"); # Glu total
$asp=$w[36]+$w[37];
print $fhra ($asp,";"); # Asp total
#foreach $k (38..44)
$ala=$w[38]+$w[39]+$w[40]+$w[41];
print $fhra ($ala,";"); # Ala total
$cys=$w[42]+$w[43];
print $fhra ($cys,";"); # Cys total
$met=$w[44];
print $fhra ($met,";"); # Met
$trp=$w[49];
print $fhra ($trp,";"); # Trp
#foreach $k (45..48)
$pro=$w[45]+$w[46]+$w[47]+$w[48];
print $fhra ($pro,";"); # Pro total
#foreach $k (50..53)
$val=$w[50]+$w[51]+$w[52]+$w[53];
print $fhra ($val,";"); # Val total
#foreach $k (54..57)
$thr=$w[54]+$w[55]+$w[56]+$w[57];
print $fhra ($thr,";"); # Thr total
#foreach $k (58..60)
$ile=$w[58]+$w[59]+$w[60];
print $fhra ($ile,";"); # Ile total
#foreach $k (61..63)
$stp=$w[61]+$w[62]+$w[63];
print $fhra ($stp,";"); # Stp total
print $fhra ("\n"); }
#
} # *** sub protein ***
#
# ***sub ptprot**** écriture 1 tableau par organisme pour n organismes ********sub ptprot***********
#
sub ptprot { $n1=$n-1; $t=@x; $t1=$t-1; # *** sub ptprot ***
#
foreach $h (0..$n1) { # 1 organisme codons ptprot
print $fhr ($noms[$h],";"); # nom
print $fhr ("\n");
# ******* écriture de l'en-tête codons *******
print $fhr ( "Gène;"); #Gène de protéine
foreach $i (0..9) {
print $fhr ($cod[$i],";");} # Leu, Lys, Phe.
foreach $i (10..19) {
print $fhr ($cod[$i],";");} # Ser, Tyr, Asn
foreach $i (20..29) {
print $fhr ($cod[$i],";");} # Arg, His, Gln
foreach $i (30..37) {
print $fhr ($cod[$i],";");} # Gly, Glu, Asp
foreach $i (38..44) {
print $fhr ($cod[$i],";");} # Ala, Cys, Met
print $fhr ($cod[49],";"); # Trp
foreach $i (45..48) {
print $fhr ($cod[$i],";");} # Pro
foreach $i (50..53) {
print $fhr ($cod[$i],";");} # Val
foreach $i (54..57) {
print $fhr ($cod[$i],";");} # Thr
foreach $i (58..60) {
print $fhr ($cod[$i],";");} # Ile
foreach $i (61..63) {
print $fhr ($cod[$i],";"); } # Stp
#
print $fhr ("\n");
# ******* écriture des compteurs de toutes les protéines codons*******
#
foreach $v (0..$t1) { $xl=@{$x[$v]}; $lot=$x[$v][0]; $xl1=$xl-1;
foreach $j (1..$xl1) { $lot=$lot.",".$x[$v][$j];}
print $fhr ( $lot,";"); # nom de l'organisme sous l'en-tête Leu (1 place pour le total)
#@u = ([[(0)x64]x$n]x$t); # récupération des compteurs de l'organisme
foreach $k (0..9) { # compteurs des codons de Leu, Lys, Phe
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (10..19) { # compteurs des codons Ser, Tyr, Asn
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (20..29) { # compteurs des codons Arg, His, Gln
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (30..37) { # compteurs des codons Gly, Glu, Asp
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (38..44) { # compteurs des codons Ala, Cys, Met, Trp
print $fhr ( $u[$v][$h][$k],";");}
print $fhr ( $u[$v][$h][49],";");
#
foreach $k (45..48) { # compteurs des codons Pro
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (50..53) { # compteurs des codons Val
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (54..57) { # compteurs des codons Thr
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (58..60) { # compteurs des codons Ile
print $fhr ( $u[$v][$h][$k],";");}
#
foreach $k (61..63) { # compteurs des codons Stp
print $fhr ( $u[$v][$h][$k],";");}
#
print $fhr ("\n"); }
} # 1 organisme codons ptprot
#
# ********************* acides aminés *********************
#
foreach $h (0..$n1) { # écriture de l'organisme # 1 organisme aas ptprot
print $fhra ($noms[$h],";"); # nom
print $fhra ("\n");
# ******* écriture de l'en-tête aas *******
print $fhra ( "Gène;"); # Gène de protéine
print $fhra ( "Leu;"); # Leu
print $fhra ( "Lys;Phe;Ser;"); # Lys, Phe, Ser
print $fhra ( "Tyr;Asn;Arg;"); # Tyr, Asn, Arg
print $fhra ( "His;Gln;Gly;"); # His, Gln, Gly
print $fhra ( "Glu;Asp;Ala;"); # Glu, Asp, Ala
print $fhra ( "Cys;Met;Trp;Pro;"); # Cys, Met, Trp, Pro
print $fhra ( "Val;"); # Val
print $fhra ( "Thr;"); # Thr
print $fhra ( "Ile;"); # Ile
print $fhra ( "Stp;"); # Stp
print $fhra ("\n");
#
foreach $v (0..$t1) { $xl=@{$x[$v]}; $lot=$x[$v][0]; $xl1=$xl-1; # 1 gène aas ptprot
foreach $j (1..$xl1) { $lot=$lot.",".$x[$v][$j];}
print $fhra ( $lot,";"); # nom de l'organisme sous l'en-tête Leu (1 place pour le total)
#@u = ([[(0)x64]x$n]x$t); # récupération des compteurs de l'organisme
$leu=0; $ser=0; $arg=0; $gly=0; $ala=0; $pro=0; $val=0; $thr=0;
foreach $k (0..5) { $leu=$leu+$u[$v][$h][$k];}
print $fhra ($leu,";"); # Leu total
$lys=$u[$v][$h][6]+$u[$v][$h][7];
print $fhra ($lys,";"); # Lys total
$phe=$u[$v][$h][8]+$u[$v][$h][9];
print $fhra ($phe,";"); # Phe total
foreach $k (10..15) { $ser=$ser+$u[$v][$h][$k];}
print $fhra ($ser,";"); # Ser total
$tyr=$u[$v][$h][16]+$u[$v][$h][17];
print $fhra ($tyr,";"); # Tyr total
$asn=$u[$v][$h][18]+$u[$v][$h][19];
print $fhra ($asn,";"); # Asn total
foreach $k (20..25) { $Arg=$Arg+$u[$v][$h][$k];}
print $fhra ($arg,";"); # Arg total
$his=$u[$v][$h][26]+$u[$v][$h][27];
print $fhra ($his,";"); # His total
$gln=$u[$v][$h][28]+$u[$v][$h][29];
print $fhra ($gln,";"); # Gln total
foreach $k (30..33) { $gly=$gly+$u[$v][$h][$k];}
print $fhra ($gly,";"); # Gly total
$glu=$u[$v][$h][34]+$u[$v][$h][35];
print $fhra ($glu,";"); # Glu total
$asp=$u[$v][$h][36]+$u[$v][$h][37];
print $fhra ($asp,";"); # Asp total
foreach $k (38..41) { $ala=$ala+$u[$v][$h][$k];}
print $fhra ($ala,";"); # Ala total
$cys=$u[$v][$h][42]+$u[$v][$h][43];
print $fhra ($cys,";"); # Cys total
$met=$u[$v][$h][44];
print $fhra ($met,";"); # Met
$trp=$u[$v][$h][49];
print $fhra ($trp,";"); # Trp
foreach $k (45..48) { $pro=$pro+$u[$v][$h][$k];}
print $fhra ($pro,";"); # Pro total
foreach $k (50..53) { $val=$val+$u[$v][$h][$k];}
print $fhra ($val,";"); # Val total
foreach $k (54..57) { $thr=$thr+$u[$v][$h][$k];}
print $fhra ($thr,";"); # Thr total
$ile=$u[$v][$h][58]+$u[$v][$h][59]+$u[$v][$h][60];
print $fhra ($ile,";"); # Ile total
$stp=$u[$v][$h][61]+$u[$v][$h][62]+$u[$v][$h][63];
print $fhra ($stp,";"); # Stp total
print $fhra ("\n"); } # 1 gène aas ptprot
#
} # 1 organisme aas ptprot
} # **** écriture 1 tableau par organisme pour n organismes ****
#
Décompte des répétitions
modifier- repete.pl
# Décompte des répétitions des bases dans l'ADN des procaryotes. Documentation, Paris le 18.9.16
#
# fichiers en entrée: xxx99 d'après la liste de fichiers @noms. En lecture, longueur des lignes fixe de 70 caractères (format FASTA de NCBI).
# fichier en sortie, résultat du comptage: repete.txt (création et mise à jour)
# fichier en sortie, repete1.txt (création et mise à jour), pour exploitation sous Calc avec l'en-tête :
# KEGG;effectif;%GC;>4T;>4A;>4C;>4G;<4T;<4A;<4C;<4G;4T;4A;4C;4G;Ctrl
# KEGG: les 1ères lettres de l'organisme d'après KEGG. C'est aussi le prefixe des fichiers xxx99 créés avec le logiciel gedit ( sans le .txt);
# effectif: taille du fichier xxx99 calculé avec le paragraphe "calcul de la taille du fichier";
# Le total calculé à partir du comptage des répétitions sert à contrôler le nombre de caractères différents de T,A,C,G;
# Ctrl: est la différence "effectif-total". Ctrl négatif veut dire que la dernière ligne n'a pas été comptée parce qu'il y a des lignes à blanc à la
# fin du fichier.
# Nettoyer et recommencer. Ctrl positif veut dire que le programme n'a pas compté certains caractères: soit ils sont différents de AGTC et à ce moment
# retirer le fichier de la liste ou le conserver si la différence n'a pas d'impact sur les interprétations. Par contre une autre
# raison de Ctrl>0 c'est quele comptage n' a pas consigné les répétitions > 20. Il faut conserver le fichier et rechercher manuellement ces répétitions.
# %GC: 100x(total des GC)/total.
# >4T,A,C,G: total des répétitions supérieures à 4 de T,A,C,G.
# <4T,A,C,G: total des répétitions 2 et 3 de T,A,C,G.
# 4T,A,C,G: total des répétitions 4 de T,A,C,G.
#
# Fabrication des fichiers xxx99 (99 est modfiable, penser à le changer dans "my @z=") sous gedit:
# - se connecter à KEGG http://www.genome.jp/kegg/pathway.html
# - allez à genome puis organisms
# - rechercher les 3 lettres KEGG: ctrl F pour les noms de 3 lettres à faible occurrences ou les noms à plus de 3 lettres.
# Pour les noms à forte occurrences mais seulement les noms à 3 lettres
# * retour à http://www.genome.jp/kegg/pathway.html
# * mettre le nom dans le champs "Select prefix" puis entrée
# * choisir le 1er schéma affiché et y sélectionner un gène dont le rectangle est coloré
# * on retrouve le nom en 3 lettres
# - cliquer sur le nom en 3 lettres:retrouver la ligne contenant la référence à la séquence du chromosome commençant par "GB:",
# * "Sequence RS: NC_000913 (GB: U00096)"
# * cliquer sur "GB: U00096" on obtient une entrée de NCBI qui est dans ce cas u00096: http://www.ncbi.nlm.nih.gov/nuccore/U00096
# * cliquer alors sur FASTA puis copier la séquence du gène dans xxx99.
# * En fin de fichier supprimer les lignes à blanc s'il y a lieu. Puis sauvegarder.
#
# Exécution du programme Perl (sous distribution Linusx Ubuntu 15.4 ou plus avec Perl 2.7 ou plus installé):
# * mettre repete.pl et les fichiers xxx99 dans un même dossier
# * dans un terminal accéder à ce dossier ( attention aux autorisations pour créer et écrire les .txt dans ce répertoire) et lancer
# * perl repete.pl
#
# Résultat fichier repete.txt: KEGG donne 4 641 652 paires de bases. Chercher dans organismes de KEGG eco (Escherichia Coli).
#
# eco
# n t a c g
# 1 572076 575694 684256 684448
# 2 155479 155226 185070 183945
# 3 50279 50147 31599 31526 −−−−> Il y a 31 526 séquences de ggg.
# 4 15523 15380 6067 6027
# 5 5929 5810 1086 1056
# 6 1929 1891 153 154
# 7 475 472 31 25
# 8 97 109 7 3
# 9 11 7 1 0
# 10 0 0 0 1
#.....jusqu'à 20 répétitions
#
# resultat fichier repete1.txt:
# KEGG;effectif;%GC;>4T;>4A;>4C;>4G;<4T;<4A;<4C;<4G;4T;4A;4C;4G;Ctrl
# eco; 4641652; 50.7907098593346; 8441; 8289; 1278; 1239; 205758; 205373; 216669; 215471; 15523; 15380; 6067; 6027; 0
#
my @noms=(aae);
# ****************************************************
my $filenamer = "repete.txt"; # Sous Linux
my $filenamer1 = "repete1.txt"; # Sous Linux
my $fhr; $fhr1;
open ($fhr, '>>', $filenamer) or die "Impossible d'ouvrir le fichier $filenamer en ajout";
open ($fhr1, '>>', $filenamer1) or die "Impossible d'ouvrir le fichier $filenamer1 en ajout";
print $fhr1 ( "KEGG;effectif;%GC;>4T;>4A;>4C;>4G;<4T;<4A;<4C;<4G;4T;4A;4C;4G;Ctrl \n");
# ****************************************************
my @z=( a99 );
my $m=@z;
my $pt=$m-1;
my $o=@noms;
my $nt=$o-1;
my @fic = (a)x$m;
foreach $l (0..$nt) { # un fichier
foreach $kt (0..$pt) {
$lz=length($z[$kt])-1;
$zi=substr($z[$kt],1,$lz);
$fic[$kt]=$noms[$l].$zi; #format du nom du fichier; @noms.99 ou xxx99
}
foreach $kt (0..$pt) { comptfich($fic[$kt]);} # boucle pour tous les fichiers de @noms
sub comptfich { # début de sub comptfich: comptage dans 1 fichier
$filename=$fic[$kt];
@Valeurs = ();
# Initialisation du tableau [4 bases x 20 compteurs de répétition]
foreach $b (0..3) {foreach $n (0..19) { $Valeurs [$b] [$n] = 0;}} # augmenter les bornes supérieures si nécessaire: séquences spécifiques
$NbElem = @Valeurs;
#********************************** calcul de la taille du fichier ************* (enlever les lignes à blancs de fin de fichier)
open (my $fh, '<', $filename) or die "Impossible d'ouvrir le fichier '$filename' en lecture";
my $compteur = 0;
while (my $ligne = <$fh>)
{
$lig=$ligne;
if (length($lig)>1) {
++$compteur;}
}
$lu = length($lig);
$eff=($compteur-1)*70+$lu-1;
print ("$noms[$l] $eff octets \n");
close $fh; # fin calcul taille du fichier
#
#*************** Initialisation des compteurs de travail **********
my $i = 0, $k=0;
my @e= (1,2,3,4);
my $j=0;
my @p = (0)x4;
# ************* Comptage de la 1ère base des chromosomes circulaires ************
open ($fh, '<', $filename);
$lis1 = <$fh>;
$car = substr($lis1,0,1 ); # 1ère base sauvegardée dans $car
$j=1;
for ($i=1; $i<=70; $i+=1) { # 70 à changer si on doute que la 1ère base est répétée sur une séquence plus grande que 70
$lu = substr($lis1,$i,1 );
if ($lu eq $car) { $j+=1;} # ajout au compteur si répétition de la 1ère base
else { $i=70;}} # fin de la répétition de la 1ère base
$d=$j; # sauvegarde du nombre de répétition de la 1ère base dans $d
close $fh; # fin 1ère base
# ************ Comptage de toutes les séquences répétitives. ************
$i=0;
$j=0;
open ($fh, '<', $filename);
while( defined( $lis = <$fh> ) ) { # lecture d'une ligne
chomp $lis;
while ($i <= 70) { # extrait d'une base; 70, longueur des lignes du fichier en entrée. A changer en 60 pour les fichiers KEGG et non NCBI.
$lu = substr($lis,$i,1 );
if( $lu eq "T" ) { # Traitement de la base "T"
if($p[1] == 0) { # on passe d'une autre base à la base "T"
foreach $j (@e, $e!=1) { # ajout au compteur de l'ancienne base
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; } }
$p[1]+=1;} # ajout pour la 1ère fois au compteur de "T"
else { $p[1]+=1; }} # ajout au compteur de "T" pour les fois suivantes
if( $lu eq "A" ) { # Traitement de la base "A"
if($p[2] == 0) {
foreach $j (@e, $e!=2) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[2]+=1;}
else {$p[2]+=1;}}
if( $lu eq "C" ) { # Traitement de la base "C"
if($p[3] == 0) {
foreach $j (@e, $e!=3) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[3]+=1;}
else {$p[3]+=1;}}
if( $lu eq "G" ) { # Traitement de la base "G"
if($p[4] == 0) {
foreach $j (@e, $e!=4) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[4]+=1;}
else {$p[4]+=1;}}
$i+=1;}; # Base suivante
$i = 0;}; # Ligne suivante
foreach $j (@e) { # ajout au compteur de la dernière base du fichier
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; } };
#
# ********* Le chromosome est circulaire. Joindre les 2 bouts ****************
@c=("T","A","C","G");
foreach $k (0..3) {
if ($c[$k] eq $car) { $x=$k;}}; #adaptation au tableau
if ( $x == $b ) { # $b et $n sont ceux de la dernière base du fichier
$Valeurs [$b] [$n] -=1; # retrait de 1 du compteur de la dernière répétition de cette base si la dernière base est la même que la 1ère, $car.
$n = $n + $d; # ajout de la répétition de la 1ère base ($d) au compteur de la répétition de la dernière base
$Valeurs [$b] [$n] +=1; # ajout de 1 au compteur de la nouvelle répétition de la dernière base
$n = $d-1; # compteur de la 1ère répétition de la 1ère base, adaptation
$Valeurs [$b] [$n] -=1;} # retrait de 1 du compteur de la 1ère répétition de la base
#
# ********* Fin, le chromosome est circulaire. ******************************
#
my $v=0, $w=0, $t1=0, $t2=0, $t3=0, $a1=0, $a2=0, $a3=0, $c1=0, $c2=0, $c3=0, $g1=0, $g2=0, $g3=0;
#
# ********* écriture des répétitions pour le procaryote traité dans repete.txt **********
print $fhr ($noms[$l], "\n");
print $fhr ("n t a c g \n");
$t2=$Valeurs [0] [1]+$Valeurs [0] [2]; $a2=$Valeurs [1] [1]+$Valeurs [1] [2]; # total <4T,A
$c2=$Valeurs [2] [1]+$Valeurs [2] [2]; $g2=$Valeurs [3] [1]+$Valeurs [3] [2]; # total <4C,G
$t3=$Valeurs [0] [3]; $a3=$Valeurs [1] [3]; # total =4T,A
$c3=$Valeurs [2] [3]; $g3=$Valeurs [3] [3]; # total =4C,G
foreach $k (0..19) { $j=$k+1; print $fhr ( $j," ", $Valeurs [0] [$k]," ", $Valeurs [1] [$k]," ", $Valeurs [2] [$k]," ", $Valeurs [3] [$k], "\n");
#
# ********* Mise en forme de la ligne correspondant à l'en-tête du fichier repete1.txt ********** Sommations avec le foreach:
$v=$v+($Valeurs [0] [$k]+$Valeurs [1] [$k]+$Valeurs [2] [$k]+ $Valeurs [3] [$k])*$j; # total
$w=$w+($Valeurs [2] [$k]+ $Valeurs [3] [$k])*$j; # total G+C
if ($j > 4) {
$t1=$t1+$Valeurs [0] [$k]; $a1=$a1+$Valeurs [1] [$k]; # total >4T,A
$c1=$c1+$Valeurs [2] [$k]; $g1=$g1+$Valeurs [3] [$k];} # total >4C,G
};
$diff=$eff-$v; $w=100*$w/$v; # fin des sommations et de l'écriture dans repete.txt
# **** écriture de la ligne dans repete1.txt ******
print $fhr1 ($noms[$l],"; ",$eff,"; ",$w,"; ",$t1,"; ",$a1,"; ",$c1,"; ",$g1,"; ", $t2,"; ",$a2,"; ",$c2,"; ",$g2,"; ", $t3,"; ",$a3,"; ",$c3,"; ",$g3,"; ",$diff, "\n");
} # ********** fin de sub comptfich ************
close $fh; # fermeture du fichier du procaryote traité ***********
} # ********** un fichier procaryote a été traité*********
close $fhr;
close $fhr1;
Répétitions aléatoires
modifierrepete-alea.pl
# Comptage des répétitions des bases dans l'ADN des procaryotes. Aléas. Documentation, Paris le 4.9.16
#
# fichier en sortie, résultat du comptage: repete.txt (création et mise à jour)
# fichier en sortie, repete1.txt (création et mise à jour), pour exploitation sous Calc avec l'en-tête : d-n;effectif;%GC;>4GC;>4AT;<5GC;<5AT;diff GC.
# d-n: pour 15% souhaité on aura avec un dénominateur 100, "100,15".
# effectif: un chromosome fictif et constant pour calculer l'équation de l'aléa; un chromosome d'un procaryote pour comparaison dans repete.txt.
# %GC: 100x(total des GC)/effectif.
# >4GC et >4AT: 10000x(total des répétitions supérieures à 4 de G et de C)/total; de même pour A et T.
# <5GC et <5AT: 1000x(total des répétitions 2, 3 et 4 de G et de C)/total; de même pour A et T.
# diff GC: différence entre le %GC souhaité (15%) et le %GC obtenu par l'aléa.
# Ce n'est pas nécessaire de refaire les courbes de l'aléa (sauf pour les courbes en base unique A ou T ou G ou C):
# elle a pour équation en AT -0.00083x^3+0.16x^2-12.16x+302.4
# et en GC -0.00083x^3+0.16x^2-12.16x+302.4..
# Les paramètres pour comparaison ave un procaryote donné, résultant de repete.pl:
# my @suit=(15,18,20,23,25,28,30,33,35,38,40,43,45,48,50,53,55,58,60,63,65,68,70,73,75,78,80,83,85);
# # pour courbes de l'aléa, mettre à jour la ligne "foreach $pk (0..28) {".
# my $tet=100; $efc=5000000; # pour courbes de l'aléa.
#
# my @suit=(21); # pour comparaison d'un seul chromosome avec l'aléa, mettre à jour la ligne "foreach $pk (0..0) {". %GC=21/47.
# my $tet=47; $efc=2123000; # pour courbes de l'aléa. La taille du chromosomen est celle du procaryote à comparer issue de repete.pl.
#
# Exécution du programme Perl (sous distribution Linusx Ubuntu 15.4 ou plus avec Perl 2.7 ou plus installé):
# * dans un terminal accéder au dossier home et lancer
# * perl repete.pl
#
my @suit=(25);
# pour comparaison d'un seul chromosome avec l'aléa, mettre à jour la ligne "foreach $pk (0..0) {". %GC=21/47.
my $tet=98; $efc=751719; # pour courbes de l'aléa. La taille du chromosomen est celle du procaryote à comparer issue de repete.pl.
# ****************************************************
my $filenamer = "repete.txt"; # Sous Linux
my $filenamer1 = "repete1.txt"; # Sous Linux
my $fhr; $fhr1;
open ($fhr, '>>', $filenamer) or die "Impossible d'ouvrir le fichier $filenamer en ajout";
open ($fhr1, '>>', $filenamer1) or die "Impossible d'ouvrir le fichier $filenamer1 en ajout";
print $fhr1 ( "d-n;effectif;%GC;>4T;>4A;>4C;>4G;<4T;<4A;<4C;<4G;4T;4A;4C;4G;diff GC \n");
# ****************************************************
foreach $pk (0..0) {
my $ll=$tet; $gc=$suit[$pk];
my $at=$ll-$gc;
my $gc1=$gc-1; $at1=$at-1;
my $gc2=$gc+3; $gc3=$gc2+1; $gc4=$gc3+$gc-2;
my $at2=$gc4+1; $at3=$at2+$at-2; $at4=$at3+1; $at5=$at4+$at-2;
my $l=$ll*2; # le max de l'aléa ***
my $i=0;
my $r=0;
my $k=0;
my $s=0;
my $v=0;
my $a=0;
my $e=0;
# Initialisation du tableau pour les fréquences
@Valeurs = ();
foreach $b (0..3) {foreach $n (0..19) { $Valeurs [$b] [$n] = 0;}} # ********* augmenter les bornes supérieures si nécessaire: séquences spécifiques ************
my @m= (1,2,3,4);
my @p = (0)x4;
#
my @u=(1,$at2..$at3); @d=(2,$at4..$at5); @t=(3,5..$gc2); @q=(4,$gc3..$gc4);
for ($k=1; $k<=$efc; $k+=1) {
$r = int rand($l) + 1;
if ($s==0) {
foreach $i (0..$at1) { if ($r == $u[$i]) {
$s=1;
}}}
if ($s==0) {
foreach $i (0..$at1) { if ($r == $d[$i]) {
$s=2;
}}}
if ($s==0) {
foreach $i (0..$gc1) { if ($r == $t[$i]) {
$s=3;
}}}
if ($s==0) {
foreach $i (0..$gc1) { if ($r == $q[$i]) {
$s=4;
}}}
Freq($s);
if($v == 0 ) {
if($a==0) {$a=$s;}
if($s==$a) { $e +=1;} else {$v=1; }}
$s=0;}
$s=0;
Freq($s);
#
sub Freq {
#
my ($s) = @_;
my $j=0;
# ********* Comptage de toutes les séquences répétitives. A compléter pour les séquences spécifiques. ************
#
if( $s == 1 ) {
if($p[1] == 0) {
foreach $j (@m, $m[$j]!=1) {
if ( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[1]+=1;}
else { $p[1]+=1;}}
if( $s == 2 ) {
if($p[2] == 0) {
foreach $j (@m, $m[$j]!=2) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[2]+=1;}
else {$p[2]+=1;}}
if( $s == 3 ) {
if($p[3] == 0) {
foreach $j (@m, $m[$j]!=3) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[3]+=1;}
else {$p[3]+=1;}}
if($s == 4 ) {
if($p[4] == 0) {
foreach $j (@m, $m[$j]!=4) {
if( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; }}
$p[4]+=1;}
else {$p[4]+=1;}}
if($s != 0 ) { return}
if($s == 0 ) {
foreach $j (@m) {
if ( $p[$j] !=0 ) { $n=$p[$j]-1; $b=$j-1;
$Valeurs [$b] [$n] +=1; $p[$j]=0; } }}
@c=(1..4);
foreach $k (0..3) {
if ($c[$k] == $a) { $x=$k;}};
if ( $x == $b ) {
$Valeurs [$b] [$n] -=1;
$n = $n + $e;
$Valeurs [$b] [$n] +=1;
$n = $e-1;
$Valeurs [$b] [$n] -=1;}
#
#****************************************************************
my $v=0, $w=0, $t1=0, $t2=0, $a1=0, $a2=0, $c1=0, $c2=0, $g1=0, $g2=0;
#
print $fhr ($tet, " ",$suit[$pk]," ", $efc, "\n");
print $fhr ("n t a c g \n");
$t2=$Valeurs [0] [1]+$Valeurs [0] [2]; $a2=$Valeurs [1] [1]+$Valeurs [1] [2]; # total <4T,A
$c2=$Valeurs [2] [1]+$Valeurs [2] [2]; $g2=$Valeurs [3] [1]+$Valeurs [3] [2]; # total <4C,G
$t3=$Valeurs [0] [3]; $a3=$Valeurs [1] [3]; # total =4T,A
$c3=$Valeurs [2] [3]; $g3=$Valeurs [3] [3]; # total =4C,G
foreach $k (0..19) { $j=$k+1; print $fhr ( $j," ", $Valeurs [0] [$k]," ", $Valeurs [1] [$k]," ", $Valeurs [2] [$k]," ", $Valeurs [3] [$k], "\n");
$v=$v+($Valeurs [0] [$k]+$Valeurs [1] [$k]+$Valeurs [2] [$k]+ $Valeurs [3] [$k])*$j;
$w=$w+($Valeurs [2] [$k]+ $Valeurs [3] [$k])*$j;
if ($j > 4) {
$t1=$t1+$Valeurs [0] [$k]; $a1=$a1+$Valeurs [1] [$k]; # total >4T,A
$c1=$c1+$Valeurs [2] [$k]; $g1=$g1+$Valeurs [3] [$k];} # total >4C,G
};
$w=100*$w/$v; $diff=$w-100*$suit[$pk]/$tet; # controle %GC
print $fhr1 ( $tet,", ", $suit[$pk],"; ",$v,"; ",$w,"; ",$t1,"; ",$a1,"; ",$c1,"; ",$g1,"; ",$t2,"; ",$a2,"; ",$c2,"; ",$g2,"; ",$t3,"; ",$a3,"; ",$c3,"; ",$g3,"; ",$diff, "\n");
return;}
#
}
close $fhr;
close $fhr1;
