我目前正在比較兩個基因列表,目的是找到兩個列表之間的重疊基因。哈希鍵的鬆散匹配?
此刻,我的基因的名字存儲爲一個哈希鍵兩個列表(blast1和BLAST2),並找到鑰匙(基因)同時存在於兩個哈希值:
輸入1:
XLOC_000157_6.21019:12.8196,_Change:1.04564,_p:0.04915,_q:0.999592 99.66 gi|475392713|dbj|AB759708.1|_Xenopus_laevis_PhyHd_mRNA_for_phytanoyl-CoA_dioxygenase_like_protein,_complete_cds
XLOC_000159_636.025:343.104,_Change:-0.890436,_p:0.00575,_q:0.999592 99.47 gi|9909981|emb|AJ278067.1|_Xenopus_laevis_mRNA_for_putative_XIRG_protein
XLOC_000561_31.1018:14.9273,_Change:-1.05905,_p:0.0073,_q:0.999592 91.57 gi|165973401|ref|NM_001113689.1|_Xenopus_(Silurana)_tropicalis_cytokine_inducible_SH2-containing_protein_(cish),_mRNA
指定用於第一個基因列表...
$input1 = $ARGV[0];
open my $blast1, '<', $input1 or die $!;
my $results1 = 0;
my (@blast1ID, @blast1_info, @percent_id, @split);
while (<$blast1>) {
chomp;
@split = split('\t');
push @blast1_info, $split[0];
push @percent_id, $split[1];
push @blast1ID, $split[2];
$results1++;
}
print "$results1 blast hits in '$input1'\n";
push @{$blast1{$blast1ID[$_]} }, [ $blast1_info[$_], $percent_id[$_] ] for 0 .. $#blast1ID;
輸入2:
XLOC_000561_31.1018:14.9273,_Change:-1.05905,_p:0.0073,_q:0.999592 91.57 gi|165973401|ref|NM_001113689.1|_Xenopus_(Silurana)_tropicalis_cytokine_inducible_SH2-containing_protein_(cish),_mRNA
XLOC_000679_57.3461:29.2637,_Change:-0.970585,_p:0.03645,_q:0.999592 85.13 gi|51704135|gb|BC081195.1|_Xenopus_laevis_hypothetical_protein_LOC446937,_mRNA_(cDNA_clone_IMAGE:6640116),_partial_cds
XLOC_000766_10.699:6.33756,_Change:-0.755473,_p:0.0384,_q:0.999592 99.04 gi|195972824|ref|NM_001130940.1|_Xenopus_laevis_interleukin_6_signal_transducer_(gp130,_oncostatin_M_receptor)_(il6st),_mRNA
指定爲第2個基因的列表
$input2 = $ARGV[1];
open my $blast2, '<', $input2 or die $!;
my $results2 = 0;
my (@blast2ID, @blast2_info, @percent_id);
while (<$blast2>) {
chomp;
@split = split('\t');
push @blast2_info, $split[0];
push @percent_id, $split[1];
push @blast2ID, $split[2];
$results2++;
}
print "$results2 blast hits in '$input2'\n";
push @{$blast2{$blast2ID[$_]} }, [ $blast2_info[$_], $percent_id[$_] ] for 0 .. $#blast2ID;
查找鍵同時存在於兩個哈希值(基因):
my $intersect_count = 0;
for my $key (sort keys %blast1) {
if (exists $blast1{$key} && $blast2{$key}) {
$intersect_count++;
for my $part1 (@ { $blast1{$key} }) {
($hit1, $percent_id1) = @$part1;
}
for my $part2 (@ { $blast2{$key} }) {
($hit2, $percent_id2) = @$part2;
}
push @intersect, "$key\tC1:$hit1 [$percent_id1]\tC2:$hit2 [$percent_id2]\n";
push @intersecting_list, "$key";
}
}
上面的代碼會發現一個基因是存在於兩個列表:
gi|165973401|ref|NM_001113689.1|_Xenopus_(Silurana)_tropicalis_cytokine_inducible_SH2-containing_protein_(cish),_mRNA
我的問題是我該如何適應這個基因,輸出中包含相似的名稱?比如我希望看到:
gi|186928837|ref|NM_005982.3|_Homo_sapiens_SIX_homeobox_1_(SIX1),_mRNA
找到一個匹配:
gi|154142326|ref|NM_001100275.1|_Xenopus_(Silurana)_tropicalis_SIX_homeobox_1_(six1),_mRNA
有什麼建議?
'NM_005982.3' * like *'NM_001100275.1'如何?你想只匹配最初的兩個字符嗎? – Borodin
不 - 這是一件困難的事情 - 我試圖在基因名稱上匹配 - 例如'SIX_homeobox_1_(SIX1)'和'SIX_homeobox_1_(six1)'。 – fugu
那麼,如果你想要獨立匹配基因名稱的* end *,那就沒問題了。有沒有像最後一個* 4 *字段(用下劃線分隔),總是必須匹配的部分?你必須以某種方式定義「相似」。 – Borodin