forester/java/src/org/forester/util/SequenceIdParser.java

   1 // $Id:\r
   2 // FORESTER -- software libraries and applications\r
   3 // for evolutionary biology research and applications.\r
   4 //\r
   5 // Copyright (C) 2008-2009 Christian M. Zmasek\r
   6 // Copyright (C) 2008-2009 Burnham Institute for Medical Research\r
   7 // Copyright (C) 2000-2001 Washington University School of Medicine\r
   8 // and Howard Hughes Medical Institute\r
   9 // Copyright (C) 2003-2007 Ethalinda K.S. Cannon\r
  10 // All rights reserved\r
  11 //\r
  12 // This library is free software; you can redistribute it and/or\r
  13 // modify it under the terms of the GNU Lesser General Public\r
  14 // License as published by the Free Software Foundation; either\r
  15 // version 2.1 of the License, or (at your option) any later version.\r
  16 //\r
  17 // This library is distributed in the hope that it will be useful,\r
  18 // but WITHOUT ANY WARRANTY; without even the implied warranty of\r
  19 // MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU\r
  20 // Lesser General Public License for more details.\r
  21 //\r
  22 // You should have received a copy of the GNU Lesser General Public\r
  23 // License along with this library; if not, write to the Free Software\r
  24 // Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301, USA\r
  25 //\r
  26 // Contact: phylosoft @ gmail . com\r
  27 // WWW: www.phylosoft.org/forester\r
  28 \r
  29 package org.forester.util;\r
  30 \r
  31 import java.util.regex.Matcher;\r
  32 import java.util.regex.Pattern;\r
  33 \r
  34 import org.forester.phylogeny.data.Identifier;\r
  35 import org.forester.ws.uniprot.DatabaseTools;\r
  36 \r
  37 public final class SequenceIdParser {\r
  38 \r
  39     \r
  40    \r
  41     // gb_ADF31344_1_segmented_worms_\r
  42     // gb_AAA96518_1\r
  43     // gb_EHB07727_1_rodents_\r
  44     // dbj_BAF37827_1_turtles_\r
  45     // emb_CAA73223_1_primates_\r
  46     // lcl_91970_unknown_\r
  47     // mites|ref_XP_002434188_1\r
  48     // ref_XP_002434188_1_mites___ticks_\r
  49     // ref_NP_001121530_1_frogs___toads_\r
  50     \r
  51     //The format for GenBank Accession numbers are:\r
  52     //Nucleotide: 1 letter + 5 numerals OR 2 letters + 6 numerals\r
  53     //Protein:    3 letters + 5 numerals\r
  54     //http://www.ncbi.nlm.nih.gov/Sequin/acc.html\r
  55     private final static Pattern GENBANK_NUCLEOTIDE_AC_PATTERN_1 = Pattern\r
  56                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]\\d{5})(?:[^a-zA-Z0-9]|\\Z)" );\r
  57     private final static Pattern GENBANK_NUCLEOTIDE_AC_PATTERN_2 = Pattern\r
  58                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{2}\\d{6})(?:[^a-zA-Z0-9]|\\Z)" );\r
  59     private final static Pattern GENBANK_PROTEIN_AC_PATTERN      = Pattern\r
  60                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{3}\\d{5})(?:[^a-zA-Z0-9]|\\Z)" );\r
  61    \r
  62     // RefSeq accession numbers can be distinguished from GenBank accessions \r
  63     // by their distinct prefix format of 2 characters followed by an\r
  64     // underscore character ('_'). For example, a RefSeq protein accession is NP_015325. \r
  65     private final static Pattern REFSEQ_PATTERN      = Pattern\r
  66     .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{2}_\\d{6,})(?:[^a-zA-Z0-9]|\\Z)" );\r
  67 \r
  68     \r
  69     private final static boolean DEBUG                           = true;\r
  70     \r
  71   \r
  72 \r
  73     \r
  74     /**\r
  75      * Returns null if no match.\r
  76      * \r
  77      */\r
  78     public final static Identifier parse( final String s ) {\r
  79         String v = parseGenbankAccessor( s );\r
  80         if ( !ForesterUtil.isEmpty( v ) ) {\r
  81             return new Identifier( v, Identifier.NCBI );\r
  82         }\r
  83         v = parseRefSeqAccessor( s );\r
  84         if ( !ForesterUtil.isEmpty( v ) ) {\r
  85             return new Identifier( v, Identifier.REFSEQ );\r
  86         }\r
  87         return null;\r
  88     }\r
  89     \r
  90     /**\r
  91      * Returns null if no match.\r
  92      * \r
  93      */\r
  94     public static String parseGenbankAccessor( final String query ) {\r
  95         Matcher m = GENBANK_NUCLEOTIDE_AC_PATTERN_1.matcher( query );\r
  96         if ( m.lookingAt() ) {\r
  97             return m.group( 1 );\r
  98         }\r
  99         else {\r
 100             m = GENBANK_NUCLEOTIDE_AC_PATTERN_2.matcher( query );\r
 101             if ( m.lookingAt() ) {\r
 102                 return m.group( 1 );\r
 103             }\r
 104             else {\r
 105                 m = GENBANK_PROTEIN_AC_PATTERN.matcher( query );\r
 106                 if ( m.lookingAt() ) {\r
 107                     return m.group( 1 );\r
 108                 }\r
 109                 else {\r
 110                     return null;\r
 111                 }\r
 112             }\r
 113         }\r
 114     }\r
 115     \r
 116     /**\r
 117      * Returns null if no match.\r
 118      * \r
 119      */\r
 120     private final static String parseRefSeqAccessor( final String query ) {\r
 121         Matcher m = REFSEQ_PATTERN.matcher( query );\r
 122         if ( m.lookingAt() ) {\r
 123             return m.group( 1 );\r
 124         }\r
 125         return null;\r
 126     }\r
 127     \r
 128     \r
 129     \r
 130     private SequenceIdParser() {\r
 131         // Hiding the constructor.\r
 132     }\r
 133     \r
 134     \r
 135     \r
 136 }\r