Bioperl操作指南资料下载.pdf

1、关于 怎样安 装必须 的注册配 置文件 和获取 序列数 据已 在 doc/howto 中 的BIODATABASE_ACCESS 中叙述，这里不再重复。III.1.1 获取远程数据（获取远程数据（Bio:DB:GenBank 等）等）Bioperl 可以直接从主要的分子生物学数据库中获取序列数据。数据可以通过序列的获取号或 id 来获得。生物秀-专心做生物KillerDigitally signed by Killer DN:cn=Killer,o,ou,email=K,c=US Date:2011.02.25 17:39:18+0800还可以进行批量获取以方便地获取多重序列。例如，从 gen

2、bank 中获取数据的代码如下：$gb=new Bio:GenBank（）;#this returns a Seq object:$seq1=$gb-get_Seq_by_id（MUSIGHBA1）;$seq2=$gb-get_Seq_by_acc（AF303112）;#this returns a SeqIO object:$seqio=$gb-get_Stream_by_id（J00522,AF303112,2981014）;更多信息见 III.2.1 关于使用 SeqIO 对象。Bioperl 当前支持从 genbank,genpept,Refseq,swissprot 和 EMBL 数

3、据库中获取序列数据。更多信息见 Bio:GenBank manpage,the Bio:GenPept manpage,the Bio:SwissProt manpage,the Bio:RefSeq manpage 和 the Bio:EMBL manpage。用户可以为一个数据库指定不同的数据库镜像特别相关的是 SwissProt 资源有许多 ExPaSy 镜像。还有一些为那些后台防火墙指定本地的代理服务器的配置项。获取 NCBI RefSeqs 序列可以通过一个叫 Bio:RefSeq 的特定模块来查询 EBI 服务器。使用之前可以参考 Bio:RefSeq manpage，有一些关于获

4、取 RefSeq 的告诫。RefSeq 在 Genbank 中的 id 一般是以NT_,NC_,NG_,NM_,NP_,XM_,XR_,orXP_开头（更多信息见 http:/www.ncbi.nlm.nih.gov/LocusLink/refseq.html）。严格来说 Bio:GenBank 可被用来获取与这些 id 一致的 entries，但是记住它们不是 Genbank entries。关于获取以NT_开头的 entries 的特定细节见 Bio:GenBank manpage，这些是经过特别格式化的CONTIG entries。Bioperl 也支持从一个远程 Ace 数据库中获取序

5、列。这个功能需要另外的 AcePerl 模块。你需要下载并安装aceperl 模块，见 http:/stein.cshl.org/AcePerl/。另一个模块 BioFetch，可用于访问远程数据库，它会查询 EBI 中的 dbfetch 脚本。适用数据库如EMBL,GenBank 或 SWALL，可以通过不同格式如 objects 或 streams（SeqIO objects），或tempfiles来获取entries。详细内容见 Bio:BioFetch manpage。III.1.2 索引和访问本地数据库索引和访问本地数据库（Bio:Index:*,bp_index.pl,bp_fet

6、ch.pl,Bio:*）通过 Bio:Index 或 Bio:Fasta 对象，Bioperl允许索引本地序列文件。下面的序列数据格式支持 Bio:genbank,swissprot,pfam,embl 和 fasta。一旦使用 Bio:Index 索引一组序列，就可用与访问远程数据库相似的句法来获取单条序列。例如，如果想设置一个 fasta 格式的索引平台文件数据库，并获取一个文件，可以这样写代码：#script 1:create the index use Bio:Fasta;#using fasta file format use strict;#some users have repo

7、rted that this is necessary my$Index_File_Name=shift;my$inx=Bio:Fasta-new（生物秀-专心做生物 -filename=$Index_File_Name,-write_flag=1）;$inx-make_index（ARGV）;#script 2:retrieve some files use Bio:use strict;Fasta-new（$Index_File_Name）;foreach my$id（ARGV）my$seq=$inx-fetch（$id）;#Returns Bio:Seq object#do someth

8、ing with the sequence 为了方便创建和使用更复杂或更灵活的索引系统，bioperl 在 scripts/index 文件夹下分配了两个样本脚本，bp_index.PLS 和 bp_fetch.PLS。这些脚本能够被用作模板来发展用户化的本地数据文件索引系统。Bioperl 还提供了 Bio:Fasta 作为索引和查询 Fasta 格式文件的手段。它与 Bio:Fasta 的精髓是一致的但是提供了更多的方法，例如：use Bio:my$db=Bio:Fasta-new（$file）;#one file or many files my$seqstring=$db-seq（$i

9、d）;#get a sequence as string my$seqobj=$db-get_Seq_by_id（$id）;#get a PrimarySeq obj my$desc=$db-header（$id）;#get the header,or description line 关于这个模块的全部特征的更多信息见 Bio:Fasta manpage。这 两 个 模 块 还 可 以 让 用 户 在 fasta 头 文 件 中 指 明 一 个 特 定 字 符 串 作 为 识 别 id，如 字 符 串gi|4556644|gb|X45555中的 gi number。看下面的 fasta 格式

10、序列，它储存在文件test.fa中：gi|523232|emb|AAC12345|sp|D12567 titin fragment MHRHHRTGYSAAYGPLKJHGYVHFIMCVVVSWWASDVVTYIPLLLNNSSAGWKRWWWIIFGGE GHGHHRTYSALWWPPLKJHGSKHFILCVKVSWLAKKERTYIPKKILLMMGGWWAAWWWI 默认情况下，Bio:Fasta 和 Bio:Fasta 会使用他们在 fasta 头文件中遇到的第一个词作为获取关键词，如本例中的gi|523232|emb|AAC12345|sp|D12567。一个单独的 id 作为一

11、个关键词会更有用。下面的代码将索引test.fa并创建一个索引文件test.fa.idx，其关键词是 Swissprot，或sp标识符。$ENVBIOPERL_INDEX_TYPE=SDBM_File;#look for the index in the current directory$ENVBIOPERL_INDEX=.;my$file_name=test.fa;Fasta-new（-filename =$file_name.idx,生物秀-专心做生物 -write_flag=1）;#pass a reference to the critical function to the Bio

12、:Index object$inx-id_parser（&get_id）;#make the index$inx-make_index（$file_name）;#here is where the retrieval key is specified sub get_id my$header=shift;$header=/.*bsp|（A-Zd5b）/;$1;这里是关于怎样获取序列的方法，如用一个 Bio:Seq 对象：my$seq=$inx-fetch（D12567）;print$seq-seq;如果你想用一个 Swissprot id 或一个 gi number 获取一条序列，而 fast

13、a 头文件实际上是多个 gi 和 Swissprot串联的头文件，该如何操作？gi|523232|emb|AAC12345|sp|D12567|gi|7744242|sp|V11223 titin fragment 修改那些传递到 id_parser 方法的功能：sub get_id my$header=shift;my（sps）=$header=/.*bsp|（A-Zd5）b/g;my（gis）=$header=/gi|（d+）b/g;return（sps,gis）;Bio:Fasta 模块使用相同的原理，但是句法稍微有所不同，例如：Fasta-new（test.fa,-makeid=&ma

14、ke_my_id）;my$seqobj=$db-get_Seq_by_id（$id）;sub make_my_id my$description_line=shift;$description_line=/gi|（d+）|emb|（w+）/;（$1,$2）;bioperl 的核心安装文件并不支持访问储存在关系数据库中的序列和数据。这种功能由附属的 bioperl-db 文库提供。更多信息见 IV.3 节。III.2 转换数据库或文件记录格式转换数据库或文件记录格式 生物秀-专心做生物III.2.1 转换序列文件转换序列文件（SeqIO）生物信息学的一个普通的任务就是在广泛使用的序列数据格式之间

15、进行转换。Bioperl 的 SeqIO 对象使这件事 变 得 轻 而 易 举。SeqIO能 够 阅 读 大 量 的 序 列 格 式（在 一 个 或 多 个 文 件 中）：Fasta,EMBL,GenBank,Swissprot,PIR,GCG,SCF,phd/phred,Ace,fastq,exp,chado,or raw（plain sequence）。SeqIO 也能够分析 alf,ztr,abi,ctf,和 ctr 格式的文件，一旦序列数据被 SeqIO 读取，就变成 bioperl 的 Seq、PrimarySeq 或 RichSeq 对象所能利用的形式，选用这几个对象要看序列的来源

16、。此外，序列对象可以任何支持的数据格式被写入另一个文件（也用 SeqIO），使数据转换简单并可执行，例如：SeqIO;$in =Bio:SeqIO-new（-file=inputfilename,-format=Fasta）;$out=Bio:SeqIO-new（-file=outputfilename,-format=EMBL）;while（my$seq=$in-next_seq（）$out-write_seq（$seq）;另外，perl 的tied 句柄句法是 SeqIO 可用的，你可以用 standard 和打印操作来读写序列对象，例如：SeqIO-newFh（-file=inputfi

17、lename,-format=fasta）;SeqIO-newFh（-format=embl）;print$out$_ while;如果不使用-format语句，Bioperl 会依赖于文件后缀来决定格式，这是一个较慢的办法。如果没有后缀可用，SeqIO 会基于实际内容推测序列的格式。这里是当前通用的一组后缀：Format Suffixes Comment fasta fasta|fast|seq|fa|fsa|nt|aa Fasta genbank gb|gbank|genbank|gbs|gbk Genbank scf scf SCF tracefile pir pir PIR embl

18、embl|ebl|emb|dat EMBL raw txt plain gcg gcg GCG ace ace ACeDB bsml bsm|bsml BSML XML game GAME XML swiss swiss|sp SwissProt phd phd|phred Phred fastq fastq Fastq Locuslink LL_tmpl format qual Phred quality file chado Chado XML tinyseq NCBI TinySeq XML exp exp Staden experiment file abi*abi ABI trace

19、file 生物秀-专心做生物 alf*alf ALF tracefile ctf*ctf CTF tracefile ztr*ztr ZTR tracefile pln*pln Staden plain tracefile *这些格式需要 bioperl-ext 包和来自于 Staden 包的 io_lib 文库 更多信息见 Bio:SeqIO manpage 或 SeqIO HOWTO（http:/bioperl.org/HOWTOs/html/SeqIO.html）III.2.2 转换比对文件转换比对文件（AlignIO）数据文件储存的多序列比对也具有不同的格式。AlignIO 是 bio

20、perl 中转换比对文件格式的对象。AlignIO基本用法类似于 SeqIO 对象，它的许多命令的名字与 SeqIO 相同。如在 SeqIO 和 AlignIO 对象中都可以用-file和-format来创建文件：AlignIO;my$io=Bio:AlignIO-new（-file =receptors.aln,-format=clustalw）;如果-format语句不起作用，Bioperl 就通过文件后缀来决定格式，下面是目前常用的一组后缀：格式 后缀 内容 bl2seq clustalw aln emboss*water|needle fasta fasta|fast|seq|fa|f

21、sa|nt|aa maf maf mase Seaview mega meg|mega meme meme metafasta msf msf|pileup|gcg GCG nexus nexus|nex pfam pfam|pfm phylip phylip|phlp|phyl|phy|phy|ph interleaved prodom psi psi PSI-BLAST selex selex|slx|selx|slex|sx HMMER stockholm *water,needle,matcher,stretcher,merger,和 supermatcher 见 IV.2.1 的 E

22、MBOSS。与 SeqIO 不同的是，AlignIO 不能创建每种格式的输出文件。AlignIO 当前支持 6 种输出格式：fasta,mase,selex,clustalw,msf/gcg 和 phylip（交叉存取）。AlignIO 与 SeqIO 的另一个重要区别是 AlignIO 一次只能操作一个比对 IO，而 SeqIO.pm可以在单串中操作生物秀-专心做生物多个序列。AlignIO 的句法基本上与 SeqIO 一致：AlignIO-new（-file=inputfilename,-format=fasta）;AlignIO-new（-file=outputfilename,-for

23、mat=pfam）;while（my$aln=$in-next_aln（）$out-write_aln（$aln）;仅有的区别是返回的对象的条目，$aln，是针对 SimpleAlign 对象而不是 Seq 对象。AlignIO也支持上面描述的SeqIO的tied句柄的句法。更多关于SimpleAlign的信息见Bio:AlignIO manpage,Bio:SimpleAlign manpage 和 III.5。III.3 操作序列操作序列 Bioperl 包括许多序列分析模块。如果在 bioperl 中没有找到你要找的功能，就在 EMBOSS 或 PISE 中找，它们可在 bioperl-

24、run 附加文库中得到（见 IV.2.1）。III.3.1 使用使用 Seq 方法操作序列方法操作序列 现在我们知道了如何获取序列并将它们作为序列对象访问。再来看看怎样使用序列对象去操作我们的序列数据并返回信息。Seq 提供了多种方法来执行许多普通（有时候不普通）的操作序列和返回数据的任务。这里列了一些最有用的：这些方法返回字符串或者被用来设定值：$seqobj-display_id（）;#the human read-able id of the sequence$seqobj-seq（）;#string of sequence$seqobj-subseq（5,10）;#part of th

25、e sequence as a string$seqobj-accession_number（）;#when there,the accession number$seqobj-alphabet（）;#one of dna,rna,protein$seqobj-primary_id（）;#a unique id for this sequence irregardless#of its display_id or accession number$seqobj-desc（）;#a description of the sequence 值得一提的是有些值对应于给定格式的特定区域。例如，disp

26、lay_id 方法返回一个 Genbank entry 的 LOCUS 名字，在一个 Fasta 文件中，（S+）跟随，ID 来自于一个 SwissProt 文件，等等。desc（）方法将返回一个 Genbank 文件中的 DEFINITION 行，在 Fasta 文件中，这一行跟着 display_id，SwissProt 文件中在 DE 区。下面的方法返回一组 Bio:SeqFeature 对象：$seqobj-get_SeqFeatures;#The top level sequence features$seqobj-get_all_SeqFeatures;#All sequence

27、features,including sub-#seq features 对于一条 comment 注释，你可以使用：生物秀-专心做生物 use Bio:Annotation:Comment;$seq-annotation-add_Annotation（comment,Bio:Comment-new（-text=some description）;对于一条 reference 注释，可以使用：Reference;$seq-annotation-add_Annotation（reference,Bio:Reference-new（-authors =author1,author2,-title

28、=title line,-location=location line,-medline =998122）;序列特征将在III.7的机器可读序列注释中讨论。对这个对象的总体描述在Bio:SeqFeature:Generic manpage中可以找到，一个相关的高水平的注释描述在 Bio:Collection manpage 中。另外的关于获取序列特征的样本代码可在 gb2features.pl 中找到，它在子文件夹 examples/DB 下。最后，还有关于特征和注释的 HOWTO（http:/bioperl.org/HOWTOs/html/Feature-Annotation.html）和一

29、节在FAQ 中关于特征的介绍（http:/bioperl.org/Core/Latest/faq.html#5）。下面的方法返回新的序列对象，但是并不把起始对象的特征传递到结果特征中：$seqobj-trunc（5,10）;#truncation from 5 to 10 as new object$seqobj-revcom;#reverse complements sequence$seqobj-translate;#translation of the sequence 注意到一些方法返回字符串，一些返回队列，一些返回对象。Seq manpage。许多方法自己都带有注释。然而，bioperl 灵活的方法准许有更多的注释。生物信息学中的翻译意味着两种稍有不同的事件：1.从头到尾翻译一段