Initial commit of ORG.Annotate
Former-commit-id: 8c4c1d0391ad06ed67e748e0f837399e9b3de7ad Former-commit-id: 5af9ed909a6f6bed7bae86c77bd770ae4b5fc14e
This commit is contained in:
96
annotate_plastid.sh
Executable file
96
annotate_plastid.sh
Executable file
@ -0,0 +1,96 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
#
|
||||||
|
#
|
||||||
|
|
||||||
|
export ORGANNOT_HOME=`dirname $0`
|
||||||
|
|
||||||
|
REPSEEK=${ORGANNOT_HOME}/repseek
|
||||||
|
SUMATRA=${ORGANNOT_HOME}/sumatra
|
||||||
|
ARAGORN=${ORGANNOT_HOME}/aragorn
|
||||||
|
WRAPARAGORN=${ORGANNOT_HOME}/aragorn_wrapper.awk
|
||||||
|
ECOFIND=${ORGANNOT_HOME}/ecofind
|
||||||
|
|
||||||
|
function annotateCAU {
|
||||||
|
QUERY="$$.query.fasta"
|
||||||
|
echo $1 | sed 's/&/ /' | tr '@' '\n' > ${QUERY}
|
||||||
|
${SUMATRA} -d -n ${QUERY} $2 2> /dev/null | \
|
||||||
|
awk ' {n[$2]+=1;d[$2]+=$3} \
|
||||||
|
END {for (i in n) \
|
||||||
|
print i, n[i],d[i], d[i]/n[i]\
|
||||||
|
}' | \
|
||||||
|
sort -rnk4 | \
|
||||||
|
egrep '^trn(I|M|fM)' | \
|
||||||
|
tail -1 | \
|
||||||
|
awk '{print $1,$NF}'
|
||||||
|
rm -rf ${QUERY}
|
||||||
|
}
|
||||||
|
|
||||||
|
function gffTRNA {
|
||||||
|
|
||||||
|
${ARAGORN} -w -io -seq $3 | awk -v gid=${1} -f ${WRAPARAGORN}
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
# s'alimente avec un fichier.fasta
|
||||||
|
# $3 : nb de caractere du fichier, t : nb de caractere du titre,
|
||||||
|
# $1+1 : nb de retour chariot du fichier
|
||||||
|
function seqlength {
|
||||||
|
cat $1 | \
|
||||||
|
wc |\
|
||||||
|
awk -v t="`head -1 $1 | wc -c`" '{print $3 - t - $1 + 1}'
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
# recupere les informations issues du programme repseek avec l'origine des deux
|
||||||
|
# IR et leur taille
|
||||||
|
function lookforIR {
|
||||||
|
${REPSEEK} -c -p 0.001 $1 | \
|
||||||
|
grep 'Distant.inv' | \
|
||||||
|
sort -n -k4 | \
|
||||||
|
tail -1 | \
|
||||||
|
awk '{print $7}' | \
|
||||||
|
sed 's/-/ /g'
|
||||||
|
}
|
||||||
|
|
||||||
|
# recupere le nom de la sequence analyse
|
||||||
|
function seqName {
|
||||||
|
head -n1 $1| \
|
||||||
|
awk '{print $1}' | \
|
||||||
|
sed 's/^>//' | \
|
||||||
|
sed -E 's/.*\|([^|]+)\|/\1/'
|
||||||
|
}
|
||||||
|
|
||||||
|
# cree un resume du fichier analyse au format gff
|
||||||
|
# ex : GFF (NC_*** Repseek IR1 start end . + . )
|
||||||
|
function gffIR {
|
||||||
|
lseq=$2
|
||||||
|
nom=$1
|
||||||
|
lookforIR $3 | \
|
||||||
|
awk -v nom="$nom" -v lseq="$lseq" \
|
||||||
|
'BEGIN {OFS="\t"} \
|
||||||
|
{ startIR1=$1; \
|
||||||
|
startIR2=$2; \
|
||||||
|
endIR1=startIR1 + $3 -1; \
|
||||||
|
endIR2=startIR2 + $3 -1; \
|
||||||
|
startSSC=1; \
|
||||||
|
endSSC=startIR1-1; \
|
||||||
|
startLSC=endIR1+1; \
|
||||||
|
endLSC=startIR2-1; \
|
||||||
|
\
|
||||||
|
print nom,"RepSeek","misc_feature",startSSC,endSSC,"\.","+","\.","ID=SSC;note=small single copy region";\
|
||||||
|
print nom,"RepSeek","repeat_region",startIR1,endIR1,"\.","+","\.","ID=IRA;note=inverted repeat A";\
|
||||||
|
print nom,"RepSeek","misc_feature",startLSC,endLSC,"\.","+","\.","ID=LSC;note=large single copy region";\
|
||||||
|
print nom,"RepSeek","repeat_region",startIR2,endIR2,"\.","-","\.","ID=IRB;note=inverted repeat B";\
|
||||||
|
}'
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
echo "##gff-version 3"
|
||||||
|
|
||||||
|
|
||||||
|
genome=$1
|
||||||
|
genome_name=`seqName $1`
|
||||||
|
genome_length=`seqlength $1`
|
||||||
|
|
||||||
|
gffIR ${genome_name} ${genome_length} ${genome}| grep -v '^ *$'
|
||||||
|
gffTRNA ${genome_name} ${genome_length} ${genome}| grep -v '^ *$'
|
||||||
229
aragorn_wrapper.awk
Executable file
229
aragorn_wrapper.awk
Executable file
@ -0,0 +1,229 @@
|
|||||||
|
#!/usr/bin/awk -f
|
||||||
|
function genomeid() {
|
||||||
|
if (gid=="") {
|
||||||
|
gid="XXXXXXX";
|
||||||
|
}
|
||||||
|
|
||||||
|
return gid;
|
||||||
|
}
|
||||||
|
|
||||||
|
function home() {
|
||||||
|
"echo $ORGANNOT_HOME" | getline homedir;
|
||||||
|
return homedir;
|
||||||
|
}
|
||||||
|
|
||||||
|
function prog(program) {
|
||||||
|
return home() "/" program;
|
||||||
|
}
|
||||||
|
|
||||||
|
function trnalib(prognam) {
|
||||||
|
return home() "/lib/trnaCAU.ref.fasta";
|
||||||
|
}
|
||||||
|
|
||||||
|
function awkPID() {
|
||||||
|
"bash -c 'echo $PPID'" | getline pid
|
||||||
|
return pid
|
||||||
|
}
|
||||||
|
|
||||||
|
function tmpName(prefix,suffix) {
|
||||||
|
return prefix awkPID() suffix
|
||||||
|
}
|
||||||
|
|
||||||
|
function rm(filename) {
|
||||||
|
system("rm -f " filename);
|
||||||
|
}
|
||||||
|
|
||||||
|
function printfasta(id,seq,filename) {
|
||||||
|
if (filename=="")
|
||||||
|
filename = tmpName(id "_",".fasta");
|
||||||
|
|
||||||
|
seqlen=length(seq);
|
||||||
|
|
||||||
|
print ">" id > filename;
|
||||||
|
for (i=1; i <= seqlen; i+=60)
|
||||||
|
print substr(seq,i,60) >> filename;
|
||||||
|
|
||||||
|
close(filename);
|
||||||
|
return filename;
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
function epissage(intron,seq) {
|
||||||
|
if (intron != "") {
|
||||||
|
l=length(intron);
|
||||||
|
intron=substr(intron,2,l-2);
|
||||||
|
split(intron,intronpos,",");
|
||||||
|
lseq=length(seq);
|
||||||
|
lintron2=lseq - intronpos[2] + 1;
|
||||||
|
seq = substr(seq,1,intronpos[1]) substr(seq,intronpos[2],lintron2);
|
||||||
|
}
|
||||||
|
|
||||||
|
return seq;
|
||||||
|
}
|
||||||
|
|
||||||
|
function patchtRNA(anticodon,trna,seq) {
|
||||||
|
if (anticodon == "cat") {
|
||||||
|
file=printfasta(trna "_" anticodon,seq,"");
|
||||||
|
|
||||||
|
command= prog("sumatra") " -d -n " file " " trnalib();
|
||||||
|
while ((command | getline output) > 0) {
|
||||||
|
split(output,field," ");
|
||||||
|
n[field[2]]++;
|
||||||
|
d[field[2]]=field[3];
|
||||||
|
}
|
||||||
|
close(command)
|
||||||
|
|
||||||
|
dmin=1;
|
||||||
|
for (i in n) {
|
||||||
|
dist=d[i]/n[i];
|
||||||
|
if (dist < dmin) {
|
||||||
|
dmin=dist;
|
||||||
|
trna=i;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
}
|
||||||
|
else {
|
||||||
|
trna="trn" AA1[substr(trna,6,3)];
|
||||||
|
}
|
||||||
|
|
||||||
|
return trna;
|
||||||
|
}
|
||||||
|
|
||||||
|
function gene2product(gene) {
|
||||||
|
return "tRNA-" AA3[substr(gene,4,1)];
|
||||||
|
}
|
||||||
|
|
||||||
|
function gffTRNA(geneid,trna,loc,anti,intron,seq) {
|
||||||
|
if (loc ~ /^c/) {
|
||||||
|
complement="-";
|
||||||
|
loc=substr(loc,3,length(loc)-3);
|
||||||
|
}
|
||||||
|
else {
|
||||||
|
complement="+";
|
||||||
|
loc=substr(loc,2,length(loc)-2);
|
||||||
|
}
|
||||||
|
|
||||||
|
split(loc,pos,",");
|
||||||
|
anti=toupper(anti);
|
||||||
|
gsub("T","U",anti);
|
||||||
|
product=gene2product(trna);
|
||||||
|
|
||||||
|
printf("%s\taragorn\tgene\t%d\t%d\t.\t%s\t.\tID=genetrn%d;gbkey=Gene;gene=%s\n",
|
||||||
|
genomeid(),pos[1],pos[2],complement,geneid,trna);
|
||||||
|
printf("%s\taragorn\ttRNA\t%d\t%d\t.\t%s\t.\tID=trn%d;parent=genetrn%d;gbkey=tRNA;gene=%s;Note=anticodon: %s;product=%s\n",
|
||||||
|
genomeid(),pos[1],pos[2],complement,geneid,geneid,trna,anti,product);
|
||||||
|
if (intron=="") {
|
||||||
|
printf("%s\taragorn\texon\t%d\t%d\t.\t%s\t.\tID=exontrn%d;parent=trn%d;gbkey=tRNA;gene=%s;Note=anticodon: %s;product=%s\n",
|
||||||
|
genomeid(),pos[1],pos[2],complement,geneid,geneid,trna,anti,product);
|
||||||
|
|
||||||
|
}
|
||||||
|
else {
|
||||||
|
l=length(intron);
|
||||||
|
intron=substr(intron,2,l-2);
|
||||||
|
split(intron,intronpos,",");
|
||||||
|
lseq=pos[2]-pos[1]+1;
|
||||||
|
lintron2=lseq - intronpos[2] + 1;
|
||||||
|
seq = substr(seq,1,intronpos[1]) substr(seq,intronpos[2],lintron2);
|
||||||
|
|
||||||
|
printf("%s\taragorn\texon\t%d\t%d\t.\t%s\t.\tID=exontrn%da;parent=trn%d;gbkey=tRNA;gene=%s;Note=anticodon: %s;product=%s\n",
|
||||||
|
genomeid(),pos[1],pos[1]+intronpos[1]-2,complement,geneid,geneid,trna,anti,product);
|
||||||
|
|
||||||
|
printf("%s\taragorn\tintron\t%d\t%d\t.\t%s\t.\tID=exontrn%di;parent=trn%d;gbkey=intron;gene=%s;Note=anticodon: %s;product=%s\n",
|
||||||
|
genomeid(),pos[1]+intronpos[1]-1,pos[1]+intronpos[2]-2,complement,geneid,geneid,trna,anti,product);
|
||||||
|
|
||||||
|
printf("%s\taragorn\texon\t%d\t%d\t.\t%s\t.\tID=exontrn%db;parent=trn%d;gbkey=tRNA;gene=%s;Note=anticodon: %s;product=%s\n",
|
||||||
|
genomeid(),pos[1]+intronpos[2]-1,pos[2],complement,geneid,geneid,trna,anti,product);
|
||||||
|
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
BEGIN {
|
||||||
|
print ARGV[1];
|
||||||
|
AA1["Ala"]="A";
|
||||||
|
AA1["Cys"]="C";
|
||||||
|
AA1["Asp"]="D";
|
||||||
|
AA1["Glu"]="E";
|
||||||
|
AA1["Phe"]="F";
|
||||||
|
AA1["Gly"]="G";
|
||||||
|
AA1["His"]="H";
|
||||||
|
AA1["Ile"]="I";
|
||||||
|
AA1["Lys"]="K";
|
||||||
|
AA1["Leu"]="L";
|
||||||
|
AA1["Met"]="M";
|
||||||
|
AA1["Asn"]="N";
|
||||||
|
AA1["Pyl"]="O";
|
||||||
|
AA1["Pro"]="P";
|
||||||
|
AA1["Gln"]="Q";
|
||||||
|
AA1["Arg"]="R";
|
||||||
|
AA1["Ser"]="S";
|
||||||
|
AA1["Thr"]="T";
|
||||||
|
AA1["Sec"]="U";
|
||||||
|
AA1["Val"]="V";
|
||||||
|
AA1["Trp"]="W";
|
||||||
|
AA1["Tyr"]="Y";
|
||||||
|
|
||||||
|
AA3["A"]="Ala";
|
||||||
|
AA3["C"]="Cys";
|
||||||
|
AA3["D"]="Asp";
|
||||||
|
AA3["E"]="Glu";
|
||||||
|
AA3["F"]="Phe";
|
||||||
|
AA3["G"]="Gly";
|
||||||
|
AA3["H"]="His";
|
||||||
|
AA3["I"]="Ile";
|
||||||
|
AA3["K"]="Lys";
|
||||||
|
AA3["L"]="Leu";
|
||||||
|
AA3["M"]="Met";
|
||||||
|
AA3["N"]="Asn";
|
||||||
|
AA3["O"]="Pyl";
|
||||||
|
AA3["P"]="Pro";
|
||||||
|
AA3["Q"]="Gln";
|
||||||
|
AA3["R"]="Arg";
|
||||||
|
AA3["S"]="Ser";
|
||||||
|
AA3["T"]="Thr";
|
||||||
|
AA3["U"]="Sec";
|
||||||
|
AA3["V"]="Val";
|
||||||
|
AA3["W"]="Trp";
|
||||||
|
AA3["Y"]="Tyr";
|
||||||
|
AA3["f"]="fMet";
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/^>/ { id = substr($1,2);
|
||||||
|
}
|
||||||
|
|
||||||
|
/^[0-9]+ +genes found/ \
|
||||||
|
{ nbgene=$1
|
||||||
|
}
|
||||||
|
|
||||||
|
((geneid != "") && /^[0-9]+/ && ! /genes found/) \
|
||||||
|
{ seq=epissage(intron,seq);
|
||||||
|
trna=patchtRNA(anti,trna,seq);
|
||||||
|
# print geneid,trna,loc,anti,"'"intron"'",seq;
|
||||||
|
gffTRNA(geneid,trna,loc,anti,intron,seq);
|
||||||
|
seq=""
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/^[0-9]+/ && ! /genes found/ \
|
||||||
|
{ geneid=$1;
|
||||||
|
trna =$2;
|
||||||
|
loc =$3;
|
||||||
|
lseq =$4;
|
||||||
|
x=$5;
|
||||||
|
split($5,intron_desc,"i");
|
||||||
|
anti =substr(intron_desc[1],2,3);
|
||||||
|
intron=intron_desc[2];
|
||||||
|
}
|
||||||
|
|
||||||
|
/^[^>0-9]/ \
|
||||||
|
{ seq=seq $1
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
END { seq=epissage(intron,seq);
|
||||||
|
trna=patchtRNA(anti,trna,seq);
|
||||||
|
# print geneid,trna,loc,anti,"'"intron"'",seq;
|
||||||
|
gffTRNA(geneid,trna,loc,anti,intron,seq);
|
||||||
|
}
|
||||||
BIN
lib/ncbi20150303.adx
Normal file
BIN
lib/ncbi20150303.adx
Normal file
Binary file not shown.
1
lib/ncbi20150303.ndx.REMOVED.git-id
Normal file
1
lib/ncbi20150303.ndx.REMOVED.git-id
Normal file
@ -0,0 +1 @@
|
|||||||
|
0b9d49e3330cd8e6abe0c8b010e9931f7b2f22f3
|
||||||
BIN
lib/ncbi20150303.rdx
Normal file
BIN
lib/ncbi20150303.rdx
Normal file
Binary file not shown.
1
lib/ncbi20150303.tdx.REMOVED.git-id
Normal file
1
lib/ncbi20150303.tdx.REMOVED.git-id
Normal file
@ -0,0 +1 @@
|
|||||||
|
87cabbb1913329a9e693acad81654beb01f0e9bc
|
||||||
1263
lib/trnaCAU.ref.fasta
Normal file
1263
lib/trnaCAU.ref.fasta
Normal file
File diff suppressed because it is too large
Load Diff
278
normalize_plastid.sh
Executable file
278
normalize_plastid.sh
Executable file
@ -0,0 +1,278 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
#
|
||||||
|
# NORMALISATION D'UN PLASTIDE
|
||||||
|
#
|
||||||
|
#========================================================================================
|
||||||
|
# Ce programme dispose de 4 fonctions pour traiter les donnees fasta issues de genbank
|
||||||
|
# - seqlength : compte le nombre de paire de base du fichier
|
||||||
|
# ex : seqlength $1
|
||||||
|
#
|
||||||
|
# - cutseq : permet de couper un morceau de la sequence
|
||||||
|
# cutseq [x] [y]
|
||||||
|
# [x] : coordonne du debut de la sequence a couper
|
||||||
|
# [y] : coordonne de la fin de la sequence a couper
|
||||||
|
# ex : cutseq $1 10 100
|
||||||
|
#
|
||||||
|
#
|
||||||
|
# - revcomp : donne le brin reverse
|
||||||
|
# ex : $1 | revcomp
|
||||||
|
#
|
||||||
|
# - formatfasta : permet de coller a la suite plusieurs morceaux de sequence au moment de
|
||||||
|
# la reecriture
|
||||||
|
# - joinfasta : enleve les titres au moment de la reecriture du fichier et renvoie les
|
||||||
|
# informations dans la fonction formatfasta
|
||||||
|
# ex : joinfasta $1
|
||||||
|
#
|
||||||
|
#========================================================================================
|
||||||
|
# Pour lancer le programme, utiliser les commandes :
|
||||||
|
# chmod +x normalize_plastid.sh
|
||||||
|
#./normalize_plastid.sh [fichier].fasta
|
||||||
|
#
|
||||||
|
# ex : seqlength $1
|
||||||
|
#
|
||||||
|
# cutseq $1 [x] [y]
|
||||||
|
# [x]:coordonne du debut [y]:coordonne de la fin de la sequence a couper
|
||||||
|
# ex : cutseq $1 10 100
|
||||||
|
#
|
||||||
|
# ex : $1 | revcomp
|
||||||
|
#
|
||||||
|
# ex : joinfasta $1
|
||||||
|
#========================================================================================
|
||||||
|
|
||||||
|
FINDCDS=`dirname $0`/findcds
|
||||||
|
REPSEEK=`dirname $0`/repseek
|
||||||
|
|
||||||
|
# s'alimente avec un fichier.fasta
|
||||||
|
# $3 : nb de caractere du fichier, t : nb de caractere du titre,
|
||||||
|
# $1+1 : nb de retour chariot du fichier
|
||||||
|
function seqlength {
|
||||||
|
cat $1 | \
|
||||||
|
wc |\
|
||||||
|
awk -v t="`head -1 $1 | wc -c`" '{print $3 - t - $1 + 1}'
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
# selectionne une sequence parmi le fichier
|
||||||
|
# $2 : debut de la sequence a couper, $3 : fin de la sequence a couper
|
||||||
|
function cutseq {
|
||||||
|
awk -v from=$2 -v end=$3 'function printfasta(seq) { \
|
||||||
|
seqlen=length(seq); \
|
||||||
|
for (i=1; i <= seqlen; i+=60) \
|
||||||
|
print substr(seq,i,60); \
|
||||||
|
} \
|
||||||
|
\
|
||||||
|
/^>/ {print $0} \
|
||||||
|
! /^>/ {seq=seq$0} \
|
||||||
|
END {printfasta(substr(seq,from,end-from+1))}' $1
|
||||||
|
}
|
||||||
|
|
||||||
|
# donne le brin reverse de la sequence :
|
||||||
|
# la sous-fonction comp reecrit la sequence a l'envers
|
||||||
|
# la sous-fonction rev remplace les bases par leurs bases associe
|
||||||
|
# la sous-fonction revcomp reprend les deux precedente
|
||||||
|
function revcomp {
|
||||||
|
awk 'function printfasta(seq) { \
|
||||||
|
seqlen=length(seq); \
|
||||||
|
for (i=1; i <= seqlen; i+=60) \
|
||||||
|
print substr(seq,i,60); \
|
||||||
|
} \
|
||||||
|
function comp(seq) { \
|
||||||
|
"echo "seq" | tr acgtACGT tgcaTGCA " | getline res; \
|
||||||
|
return res; \
|
||||||
|
} \
|
||||||
|
function rev(seq) { \
|
||||||
|
"echo "seq" | rev " | getline res; \
|
||||||
|
return res; \
|
||||||
|
} \
|
||||||
|
function revcomp(seq) { \
|
||||||
|
res=rev(comp(seq)); \
|
||||||
|
return res; \
|
||||||
|
} \
|
||||||
|
\
|
||||||
|
/^>/ {print $0} \
|
||||||
|
! /^>/ {seq=seq$0} \
|
||||||
|
END {printfasta(revcomp(seq))}' $1
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
function formatfasta {
|
||||||
|
awk 'function printfasta(seq) { \
|
||||||
|
seqlen=length(seq); \
|
||||||
|
for (i=1; i <= seqlen; i+=60) \
|
||||||
|
print substr(seq,i,60); \
|
||||||
|
} \
|
||||||
|
/^>/ { print $0 } \
|
||||||
|
! /^>/ { seq=seq $0 } \
|
||||||
|
END { printfasta(seq)}' $1
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
# colle bout a bout deux sequence en mettant le meme nombre de paire de base par ligne
|
||||||
|
# sur le fichier, ici regle a 60
|
||||||
|
# enleve les titres intermediaire entre deux sequences recollees si il y en a
|
||||||
|
function joinfasta {
|
||||||
|
awk '(NR==1 && /^>/) {print $0} \
|
||||||
|
! /^>/ {print $0}' $1 | \
|
||||||
|
formatfasta
|
||||||
|
}
|
||||||
|
|
||||||
|
# recupere les informations issues du programme repseek avec l'origine des deux
|
||||||
|
# IR et leur taille
|
||||||
|
function lookforIR {
|
||||||
|
repseek -c -p 0.001 $1| \
|
||||||
|
grep 'Distant.inv'| \
|
||||||
|
sort -n -k4 | \
|
||||||
|
tail -1 | \
|
||||||
|
awk '{print $7}' | \
|
||||||
|
sed 's/-/ /g'
|
||||||
|
}
|
||||||
|
|
||||||
|
# determine si le fragment analyse doit etre recolle en forward ou reverse dans le
|
||||||
|
# nouveau .fasta
|
||||||
|
function maxCDS {
|
||||||
|
${FINDCDS} -F $1 -c -l 150 | \
|
||||||
|
awk '/^[^#]/ && ($2 == "Watson") { Watson+=$5-$4+1} \
|
||||||
|
/^[^#]/ && ($2 == "Crick") {Crick+=$5-$4+1} \
|
||||||
|
END {print Watson - Crick}'
|
||||||
|
}
|
||||||
|
|
||||||
|
#
|
||||||
|
# Exemple results from repseek
|
||||||
|
#
|
||||||
|
# $1 $2 $3 $4 $5 $6 $7 $8 $9 $10 $11 $12
|
||||||
|
# Class pos_r1 pos_r2 len_r1 len_r2 Delta Seed ident score Rmean Rmod frac
|
||||||
|
# Distant.inv 86608 130934 25319 25319 19007 86608-130934-25319-2.01 100.000 25262.43 2.01 2 0.99
|
||||||
|
|
||||||
|
# Test where the sequence is cut
|
||||||
|
|
||||||
|
# Definie les variables utilisé : le debut, fin et taille des deux IR
|
||||||
|
genome=$1
|
||||||
|
|
||||||
|
genome_length=`seqlength $1`
|
||||||
|
IRS=(`lookforIR ${genome}`)
|
||||||
|
|
||||||
|
posIR1=${IRS[0]}
|
||||||
|
posIR2=${IRS[1]}
|
||||||
|
lenIR=${IRS[2]}
|
||||||
|
|
||||||
|
let "endIR2=$posIR2 + $lenIR - 1"
|
||||||
|
let "endIR1=$posIR1 + $lenIR - 1"
|
||||||
|
|
||||||
|
# Defini la coupe a adopter en fonction de :
|
||||||
|
# - la position de la fin de l'IR2 par rapport a la sequence total, pour identifier une
|
||||||
|
# coupe au sein d'une IR
|
||||||
|
# Le programme repseek considere toujours que la position maximal de la fin d'IR2 ne peut
|
||||||
|
# pas depasser celle de la sequence, que l'IR2 soit coupe ou non. Donc dans tous les cas
|
||||||
|
# on choisit de recouper la sequence a mi-distance entre la fin de l'IR1 et le debut de
|
||||||
|
# l'IR2
|
||||||
|
if (( endIR2 == genome_length )) ; then
|
||||||
|
tmpfasta1="tmp_$$_1.fasta"
|
||||||
|
tmpfasta2="tmp_$$_2.fasta"
|
||||||
|
# defini la localisation de la coupure entre les deux IR
|
||||||
|
let "posCut=($endIR1+$posIR2)/2"
|
||||||
|
# realise la coupure du fichier d'entre du nucleotide calcule jusqu'a la fin de la sequence
|
||||||
|
cutseq ${genome} ${posCut} ${genome_length} > ${tmpfasta1}
|
||||||
|
let "posCut=$posCut-1"
|
||||||
|
# realise la coupure du fichier d'entre du debut de la sequence jusqu'au nucleotide calcule
|
||||||
|
cutseq ${genome} 1 ${posCut} >> ${tmpfasta1}
|
||||||
|
# ces deux fragment sont rassembles dans un fichier temporaire
|
||||||
|
joinfasta ${tmpfasta1} > ${tmpfasta2}
|
||||||
|
rm -f ${tmpfasta1}
|
||||||
|
genome=${tmpfasta2}
|
||||||
|
# recalcul la nouvelle position des IR
|
||||||
|
IRS=(`lookforIR ${genome}`)
|
||||||
|
posIR1=${IRS[0]}
|
||||||
|
posIR2=${IRS[1]}
|
||||||
|
lenIR=${IRS[2]}
|
||||||
|
let "endIR2=$posIR2 + $lenIR - 1"
|
||||||
|
let "endIR1=$posIR1 + $lenIR - 1"
|
||||||
|
fi
|
||||||
|
|
||||||
|
tmpIR1="tmp_$$_IR1.fasta"
|
||||||
|
tmpIR2="tmp_$$_IR2.fasta"
|
||||||
|
|
||||||
|
#enregistre les deux fragments IR1 et IR2 complet
|
||||||
|
cutseq ${genome} ${posIR1} ${endIR1} > ${tmpIR1}
|
||||||
|
cutseq ${genome} ${posIR2} ${endIR2} > ${tmpIR2}
|
||||||
|
|
||||||
|
let "lenSC1=$posIR1 -1 + ($genome_length - endIR2)"
|
||||||
|
let "lenSC2=$posIR2 - $endIR1"
|
||||||
|
|
||||||
|
tmpLSC="tmp_$$_LSC.fasta"
|
||||||
|
tmpSSC="tmp_$$_SSC.fasta"
|
||||||
|
|
||||||
|
# Defini la coupe a adopter en fonction de :
|
||||||
|
# - la taille de la SC1 par rapport a la taille de la SC2, pour identifier une
|
||||||
|
# coupe au sein d'une SC. La coupe a lieu au sein de la SC1, le but est d'identifier la
|
||||||
|
# LSC et la SSC parmis les SC1 et la SC2
|
||||||
|
# si la SC1 est plus grande que la SC2, alors la SC1 est la LSC et la coupe a eu lieu
|
||||||
|
# dans la LSC
|
||||||
|
if (( lenSC1 > lenSC2 )); then
|
||||||
|
# defini le debut de la LSC
|
||||||
|
let "beginLSC=$endIR2+1"
|
||||||
|
cutseq ${genome} ${beginLSC} ${genome_length} > ${tmpLSC}
|
||||||
|
# defini la fin de la LSC
|
||||||
|
let "endLSC=$posIR1-1"
|
||||||
|
cutseq ${genome} 1 ${endLSC} >> ${tmpLSC}
|
||||||
|
tmpfasta1="tmp_$$_1.fasta"
|
||||||
|
# rejoint les deux morceaux pour former la LSC
|
||||||
|
joinfasta ${tmpLSC} > ${tmpfasta1}
|
||||||
|
mv ${tmpfasta1} ${tmpLSC}
|
||||||
|
|
||||||
|
# donc la SC2 est la SSC,
|
||||||
|
# definit l'origine et la fin a couper pour avoir le fragment SSC
|
||||||
|
let "beginSSC=$endIR1+1"
|
||||||
|
let "endSSC=$posIR2-1"
|
||||||
|
cutseq ${genome} ${beginSSC} ${endSSC} > ${tmpSSC}
|
||||||
|
|
||||||
|
tmp=${tmpIR1}
|
||||||
|
tmpIR1=${tmpIR2}
|
||||||
|
tmpIR2=${tmp}
|
||||||
|
else
|
||||||
|
# sinon la SC2 est la LSC, et la coupe a eu lieu dans la SSC
|
||||||
|
# definit l'origine et la fin a couper pour avoir le fragment LSC
|
||||||
|
let "beginLSC=$endIR1+1"
|
||||||
|
let "endLSC=$posIR2-1"
|
||||||
|
cutseq ${genome} ${beginLSC} ${endLSC} > ${tmpLSC}
|
||||||
|
|
||||||
|
# definit le debut de la SSC et coupe la premiere partie
|
||||||
|
let "beginSSC=$endIR2+1"
|
||||||
|
cutseq ${genome} ${beginSSC} ${genome_length} > ${tmpSSC}
|
||||||
|
# definit la fin de la SSC et coupe la seconde partie
|
||||||
|
let "endSSC=$posIR1-1"
|
||||||
|
cutseq ${genome} 1 ${endSSC} >> ${tmpSSC}
|
||||||
|
# joint les deux parties afin de reformer la SSC
|
||||||
|
joinfasta ${tmpSSC} > ${tmpfasta1}
|
||||||
|
mv ${tmpfasta1} ${tmpSSC}
|
||||||
|
fi
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
if [[ ! -z $tmpfasta2 ]]; then
|
||||||
|
rm -f $tmpfasta2
|
||||||
|
fi
|
||||||
|
# determine si les fragments doivent etre recolle en reverse ou forward
|
||||||
|
maxSSC=`maxCDS ${tmpSSC}`
|
||||||
|
|
||||||
|
# si maxSSC est negatif, le rapport Watson - Crick est negatif, le fragment est
|
||||||
|
# donc reverse
|
||||||
|
if (( maxSSC < 0 )); then
|
||||||
|
revcomp ${tmpSSC} > ${tmpfasta1}
|
||||||
|
mv ${tmpfasta1} ${tmpSSC}
|
||||||
|
fi
|
||||||
|
|
||||||
|
maxLSC=`maxCDS ${tmpLSC}`
|
||||||
|
|
||||||
|
# si maxLSC est negatif, le rapport Watson - Crick est negatif, le fragment est
|
||||||
|
# donc reverse
|
||||||
|
if (( maxLSC < 0 )); then
|
||||||
|
revcomp ${tmpLSC} > ${tmpfasta1}
|
||||||
|
mv ${tmpfasta1} ${tmpLSC}
|
||||||
|
fi
|
||||||
|
|
||||||
|
# Les quatre fragments sont recolle ensemble sans erreur de coupure et dans un ordre connus.
|
||||||
|
cat ${tmpSSC} ${tmpIR1} ${tmpLSC} ${tmpIR2} | joinfasta
|
||||||
|
|
||||||
|
exit 0
|
||||||
24
reannoteCAURefDB.sh
Executable file
24
reannoteCAURefDB.sh
Executable file
@ -0,0 +1,24 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
|
||||||
|
SUMATRA=`dirname $0`/sumatra
|
||||||
|
|
||||||
|
function annotateCAU {
|
||||||
|
QUERY="$$.query.fasta"
|
||||||
|
echo $1 | sed 's/&/ /' | tr '@' '\n' > ${QUERY}
|
||||||
|
${SUMATRA} -d -n ${QUERY} $2 2> /dev/null | \
|
||||||
|
awk ' {n[$2]+=1;d[$2]+=$3} \
|
||||||
|
END {for (i in n) \
|
||||||
|
print i, n[i],d[i], d[i]/n[i]\
|
||||||
|
}' | \
|
||||||
|
sort -rnk4 | \
|
||||||
|
egrep '^trn(I|M|fM)' | \
|
||||||
|
tail -1 | \
|
||||||
|
awk '{print $1,$NF}'
|
||||||
|
rm -rf ${QUERY}
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
for seq in `awk '(on==1) && /^>/ {print "";on=0} /^>/ {printf("%s@",$0)} ! /^>/ {on=1;printf($0)}' $1 | tr ' ' '&'`; do
|
||||||
|
new=(`annotateCAU ${seq} $1`)
|
||||||
|
echo $seq | sed 's/&/ /g' | sed -E 's/>([^ ]+) />'${new[0]}' /' | tr '@' '\n'
|
||||||
|
done
|
||||||
Reference in New Issue
Block a user