forester/java/src/org/forester/application/aaa.java

   1
   2 package org.forester.application;
   3
   4 import java.io.FileInputStream;
   5 import java.io.IOException;
   6 import java.util.ArrayList;
   7 import java.util.Collections;
   8 import java.util.HashSet;
   9 import java.util.List;
  10 import java.util.Set;
  11 import java.util.regex.Matcher;
  12 import java.util.regex.Pattern;
  13
  14 import org.forester.io.parsers.FastaParser;
  15 import org.forester.sequence.Sequence;
  16 import org.forester.util.EasyWriter;
  17 import org.forester.util.ForesterUtil;
  18
  19 public class aaa {
  20
  21     public final static Pattern GN_PATTERN    = Pattern.compile( "GN=(\\S+)\\s" );     //use w+ instead of S+ for more stringent setting.
  22     public final static Pattern RANGE_PATTERN = Pattern.compile( "\\[(\\d+-\\d+)\\]" ); //use w+ instead of S+ for more stringent setting.
  23     public final static int     MIN_LENGTH    = 85;
  24
  25     public static void main( final String args[] ) {
  26         try {
  27             final EasyWriter out = ( EasyWriter ) ForesterUtil.createEasyWriter( "aaa_out" );
  28             System.out.println( "STARTING..." );
  29             final List<Sequence> too_short = new ArrayList<Sequence>();
  30             final List<Sequence> orig = FastaParser
  31                     .parse( new FileInputStream( "C:\\Users\\zma\\Desktop\\RRMa_domains_ext_20_2.fasta" ) );
  32             final int initial_number = orig.size();
  33             final List<String> new_seqs = new ArrayList<String>();
  34             for( final Sequence seq : orig ) {
  35                 if ( seq.getLength() < MIN_LENGTH ) {
  36                     too_short.add( seq );
  37                     continue;
  38                 }
  39                 final Matcher matcher = GN_PATTERN.matcher( seq.getIdentifier() );
  40                 String gn = "";
  41                 if ( matcher.find() ) {
  42                     gn = matcher.group( 1 );
  43                 }
  44                 else {
  45                     System.out.println( "ERROR: no gene for: " + seq.getIdentifier() );
  46                     System.exit( -1 );
  47                 }
  48                 new_seqs.add( ">" + gn + "|" + seq.getIdentifier() + "\n" + seq.getMolecularSequenceAsString() );
  49             }
  50             final Set<String> gn_ra_set = new HashSet<String>();
  51             final Set<String> mol_seq_set = new HashSet<String>();
  52             Collections.sort( new_seqs );
  53             int unique_counter = 0;
  54             final List<String> duplicate_gn_ra = new ArrayList<String>();
  55             final List<String> duplicate_mol_seq = new ArrayList<String>();
  56             final List<String> new_seqs_unique = new ArrayList<String>();
  57             for( final String seq : new_seqs ) {
  58                 final Matcher matcher_ra = RANGE_PATTERN.matcher( seq );
  59                 final Matcher matcher_gn = GN_PATTERN.matcher( seq );
  60                 String range = "";
  61                 if ( matcher_ra.find() ) {
  62                     range = matcher_ra.group( 1 );
  63                 }
  64                 else {
  65                     System.out.println( "ERROR: no range for: " + seq );
  66                     System.exit( -1 );
  67                 }
  68                 matcher_gn.find();
  69                 final String gn = matcher_gn.group( 1 );
  70                 final String gn_ra = gn + "_" + range;
  71                 if ( !gn_ra_set.contains( gn_ra ) ) {
  72                     gn_ra_set.add( gn_ra );
  73                     final String mol_seq = seq.split( "\n" )[ 1 ];
  74                     if ( !mol_seq_set.contains( mol_seq ) ) {
  75                         mol_seq_set.add( mol_seq );
  76                         new_seqs_unique.add( seq );
  77                         unique_counter++;
  78                     }
  79                     else {
  80                         duplicate_mol_seq.add( seq );
  81                     }
  82                 }
  83                 else {
  84                     duplicate_gn_ra.add( seq );
  85                 }
  86             }
  87             String prev_gn = "___";
  88             boolean is_first = true;
  89             List<String> seqs_from_same_protein = new ArrayList<String>();
  90             for( final String seq : new_seqs_unique ) {
  91                 final Matcher matcher_gn = GN_PATTERN.matcher( seq );
  92                 matcher_gn.find();
  93                 final String gn = matcher_gn.group( 1 );
  94                 if ( !prev_gn.equals( gn ) && !is_first ) {
  95                     doit( seqs_from_same_protein, out );
  96                     seqs_from_same_protein = new ArrayList<String>();
  97                 }
  98                 prev_gn = gn;
  99                 is_first = false;
 100                 seqs_from_same_protein.add( seq );
 101             }
 102             doit( seqs_from_same_protein, out );
 103             out.println( "" );
 104             out.println( "" );
 105             out.println( "Removed because same GN and region:" );
 106             for( final String s : duplicate_gn_ra ) {
 107                 out.println( s );
 108             }
 109             out.println( "" );
 110             out.println( "" );
 111             out.println( "Removed because identical mol sequence:" );
 112             for( final String s : duplicate_mol_seq ) {
 113                 out.println( s );
 114             }
 115             out.println( "" );
 116             out.println( "" );
 117             out.println( "Removed because too short:" );
 118             for( final Sequence s : too_short ) {
 119                 out.println( s.toString() );
 120             }
 121             out.println( "" );
 122             out.println( "" );
 123             out.println( "initial:" + initial_number );
 124             out.println( "ignored because shorter than " + MIN_LENGTH + "aa: " + too_short.size() );
 125             out.println( "unique   : " + unique_counter );
 126             out.println( "unique   : " + new_seqs_unique.size() );
 127             out.println( "duplicate because gn and range same: " + duplicate_gn_ra.size() );
 128             out.println( "duplicate because mol seq same     : " + duplicate_mol_seq.size() );
 129             out.flush();
 130             out.close();
 131             System.out.println( "DONE " );
 132         }
 133         catch ( final Exception e ) {
 134             e.printStackTrace();
 135         }
 136     }
 137
 138     private static void doit( final List<String> same_protein_seqs, final EasyWriter out ) throws IOException {
 139         final int count = same_protein_seqs.size();
 140         if ( count == 1 ) {
 141             out.println( same_protein_seqs.get( 0 ) );
 142         }
 143         else {
 144             int c = 1;
 145             for( final String s : same_protein_seqs ) {
 146                 out.println( new StringBuffer( s ).insert( s.indexOf( "|" ), "__" + c + "_OF_" + count ).toString() );
 147                 c++;
 148             }
 149         }
 150     }
 151 }