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

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