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: https://sites.google.com/site/cmzmasek/home/software/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 \r
  36 public final class SequenceIdParser {\r
  37 \r
  38     // gb_ADF31344_1_segmented_worms_\r
  39     // gb_AAA96518_1\r
  40     // gb_EHB07727_1_rodents_\r
  41     // dbj_BAF37827_1_turtles_\r
  42     // emb_CAA73223_1_primates_\r
  43     // lcl_91970_unknown_\r
  44     // mites|ref_XP_002434188_1\r
  45     // ref_XP_002434188_1_mites___ticks_\r
  46     // ref_NP_001121530_1_frogs___toads_\r
  47     //The format for GenBank Accession numbers are:\r
  48     //Nucleotide: 1 letter + 5 numerals OR 2 letters + 6 numerals\r
  49     //Protein:    3 letters + 5 numerals\r
  50     //http://www.ncbi.nlm.nih.gov/Sequin/acc.html\r
  51     private final static Pattern GENBANK_NUCLEOTIDE_AC_PATTERN_1 = Pattern\r
  52                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]\\d{5}(?:\\.\\d+)?)(?:[^a-zA-Z0-9]|\\Z)" );\r
  53     private final static Pattern GENBANK_NUCLEOTIDE_AC_PATTERN_2 = Pattern\r
  54                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{2}\\d{6}(?:\\.\\d+)?)(?:[^a-zA-Z0-9]|\\Z)" );\r
  55     private final static Pattern GENBANK_PROTEIN_AC_PATTERN      = Pattern\r
  56                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{3}\\d{5}(?:\\.\\d+)?)(?:[^a-zA-Z0-9]|\\Z)" );\r
  57     // RefSeq accession numbers can be distinguished from GenBank accessions \r
  58     // by their distinct prefix format of 2 characters followed by an\r
  59     // underscore character ('_'). For example, a RefSeq protein accession is NP_015325. \r
  60     private final static Pattern REFSEQ_PATTERN                  = Pattern\r
  61                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z]{2}_\\d{6,})(?:[^a-zA-Z0-9]|\\Z)" );\r
  62     // See: http://web.expasy.org/docs/userman.html#ID_line\r
  63     private final static Pattern TREMBL_PATTERN                  = Pattern\r
  64                                                                          .compile( "(?:\\A|.*[^a-zA-Z0-9])([A-Z][0-9][A-Z0-9]{3}[0-9])(?:[^a-zA-Z0-9]|\\Z)" );\r
  65     private final static Pattern GI_PATTERN                      = Pattern\r
  66                                                                          .compile( "(?:\\b|_)(?:GI|gi)[|_=:](\\d+)(?:\\b|_)" );\r
  67 \r
  68     /**\r
  69      * Returns null if no match.\r
  70      * \r
  71      */\r
  72     public final static Identifier parse( final String s ) {\r
  73         String v = parseGenbankAccessor( s );\r
  74         if ( !ForesterUtil.isEmpty( v ) ) {\r
  75             return new Identifier( v, Identifier.NCBI );\r
  76         }\r
  77         v = parseRefSeqAccessor( s );\r
  78         if ( !ForesterUtil.isEmpty( v ) ) {\r
  79             return new Identifier( v, Identifier.REFSEQ );\r
  80         }\r
  81         v = parseTrEMBLAccessor( s );\r
  82         if ( !ForesterUtil.isEmpty( v ) ) {\r
  83             return new Identifier( v, Identifier.SP );\r
  84         }\r
  85         return null;\r
  86     }\r
  87 \r
  88     public final static boolean isProtein( final String query ) {\r
  89         final String r1 = parseRefSeqAccessor( query );\r
  90         if ( !ForesterUtil.isEmpty( r1 ) && ( r1.charAt( 1 ) == 'P' ) ) {\r
  91             return true;\r
  92         }\r
  93         final String r2 = parseTrEMBLAccessor( query );\r
  94         if ( !ForesterUtil.isEmpty( r2 ) ) {\r
  95             return true;\r
  96         }\r
  97         return GENBANK_PROTEIN_AC_PATTERN.matcher( query ).lookingAt();\r
  98     }\r
  99 \r
 100     /**\r
 101      * Returns null if no match.\r
 102      * \r
 103      */\r
 104     public static String parseGenbankAccessor( final String query ) {\r
 105         Matcher m = GENBANK_NUCLEOTIDE_AC_PATTERN_1.matcher( query );\r
 106         if ( m.lookingAt() ) {\r
 107             return m.group( 1 );\r
 108         }\r
 109         else {\r
 110             m = GENBANK_NUCLEOTIDE_AC_PATTERN_2.matcher( query );\r
 111             if ( m.lookingAt() ) {\r
 112                 return m.group( 1 );\r
 113             }\r
 114             else {\r
 115                 m = GENBANK_PROTEIN_AC_PATTERN.matcher( query );\r
 116                 if ( m.lookingAt() ) {\r
 117                     return m.group( 1 );\r
 118                 }\r
 119                 else {\r
 120                     return null;\r
 121                 }\r
 122             }\r
 123         }\r
 124     }\r
 125 \r
 126     /**\r
 127      * Returns null if no match.\r
 128      * \r
 129      */\r
 130     public final static String parseRefSeqAccessor( final String query ) {\r
 131         final Matcher m = REFSEQ_PATTERN.matcher( query );\r
 132         if ( m.lookingAt() ) {\r
 133             return m.group( 1 );\r
 134         }\r
 135         return null;\r
 136     }\r
 137 \r
 138     /**\r
 139      * Returns null if no match.\r
 140      * \r
 141      */\r
 142     private final static String parseTrEMBLAccessor( final String query ) {\r
 143         final Matcher m = TREMBL_PATTERN.matcher( query );\r
 144         if ( m.lookingAt() ) {\r
 145             return m.group( 1 );\r
 146         }\r
 147         return null;\r
 148     }\r
 149 \r
 150     private SequenceIdParser() {\r
 151         // Hiding the constructor.\r
 152     }\r
 153 \r
 154     public static String parseGInumber( final String query ) {\r
 155         final Matcher m = GI_PATTERN.matcher( query );\r
 156         if ( m.find() ) {\r
 157             return m.group( 1 );\r
 158         }\r
 159         return null;\r
 160     }\r
 161 }\r