forester/ruby/evoruby/exe/select_same_gn.rb

   1 #!/usr/local/bin/ruby -w
   2
   3
   4 require 'lib/evo/sequence/sequence'
   5 require 'lib/evo/msa/msa'
   6 require 'lib/evo/msa/msa_factory'
   7 require 'lib/evo/io/writer/fasta_writer'
   8 require 'lib/evo/io/parser/fasta_parser'
   9
  10
  11 module Evoruby
  12
  13   if ARGV.length != 1
  14     puts "usage: select_same_gn.rb <fasta formatted multiple sequence file>"
  15     exit
  16   end
  17
  18   input = ARGV[ 0 ]
  19   f = MsaFactory.new()
  20
  21   IGNORE_SEQS_LACKING_GN = false
  22   IGNORE_SPECIES = true
  23
  24   msa = nil
  25
  26   begin
  27     msa = f.create_msa_from_file( input, FastaParser.new() )
  28   rescue Exception => e
  29     puts "error: " + e.to_s
  30     exit
  31   end
  32
  33   outbase = input.sub( /\..+/, "" )
  34
  35   outfile = File.open(outbase + "_log.txt" , "w")
  36
  37   all_names = Set.new
  38   all_seqs_per_species = Hash.new
  39   all_msa_per_species = Hash.new
  40   gn_to_seqs = Hash.new
  41   unique_genes_msa = Msa.new
  42   longest_non_unique_genes_msa = Msa.new
  43   gn_re = /GN=(\S+)/
  44   fragment_re = /fragment/i
  45   species_re = /\[([A-Z0-9]{3,5})\]$/
  46
  47   frag_counter = 0
  48   no_gn_counter = 0
  49   same_seq_counter = 0
  50
  51   for i in 0 ... msa.get_number_of_seqs()
  52     seq = msa.get_sequence( i )
  53     name = seq.get_name
  54     if all_names.include?( name )
  55       puts "error: sequence name \"" + name + "\" is not unique (#" + i.to_s + ")"
  56       exit
  57     else
  58       all_names << name
  59     end
  60
  61     if fragment_re.match( name )
  62
  63       outfile.puts("ignored because fragment: " + name)
  64       frag_counter += 1
  65       next
  66     end
  67
  68     species = nil
  69     if IGNORE_SPECIES || species_re.match( name )
  70       unless IGNORE_SPECIES
  71         species = species_re.match( name )[ 1 ]
  72       else
  73         species = "XXXXX"
  74       end
  75
  76       unless all_seqs_per_species.has_key?( species )
  77         all_seqs_per_species[ species ] = Set.new
  78       end
  79       all_seqs = all_seqs_per_species[ species ]
  80       mol_seq = seq.get_sequence_as_string.upcase
  81       if all_seqs.include?( mol_seq )
  82         outfile.puts("ignored because identical sequence in same species: " + name )
  83
  84         same_seq_counter += 1
  85         next
  86       else
  87         all_seqs << mol_seq
  88       end
  89     else
  90       puts "error: no species for: " + name
  91       exit
  92     end
  93
  94     gn_match = gn_re.match( name )
  95     if IGNORE_SEQS_LACKING_GN
  96       unless gn_match
  97         outfile.puts( "ignored because no GN=: " + name )
  98         no_gn_counter += 1
  99         next
 100       end
 101     else
 102       unless gn_match
 103         outfile.puts( "no GN=: " + name )
 104       end
 105     end
 106
 107     gn =nil
 108     if gn_match
 109       gn = gn_match[1] + "_" + species
 110     else
 111       if IGNORE_SEQS_LACKING_GN
 112         puts "cannot be"
 113         exit
 114       end
 115       gn = name
 116     end
 117
 118     unless gn_to_seqs.has_key?(gn)
 119       gn_to_seqs[gn] = Msa.new
 120     end
 121     gn_to_seqs[gn].add_sequence(seq)
 122   end
 123
 124   outfile.puts( "Sequences ignored because \"fragment\" in desc                : " + frag_counter.to_s )
 125   if IGNORE_SEQS_LACKING_GN
 126     outfile.puts( "Sequences ignored because no \"GN=\" in desc                  : " + no_gn_counter.to_s )
 127   end
 128   outfile.puts( "Sequences ignored because identical sequence in same species: " + same_seq_counter.to_s )
 129   outfile.puts
 130   outfile.puts
 131
 132   counter = 1
 133   gn_to_seqs.each_pair do |gene,seqs|
 134     seq = nil
 135     if seqs.get_number_of_seqs > 1
 136       outfile.puts( counter.to_s + ": " + gene )
 137       outfile.puts( seqs.to_fasta )
 138       outfile.puts
 139       outfile.puts
 140       counter += 1
 141       longest = 0
 142       longest_seq = nil
 143       for j in 0 ... seqs.get_number_of_seqs()
 144         current = seqs.get_sequence( j )
 145         if current.get_length > longest
 146           longest =  current.get_length
 147           longest_seq = current
 148         end
 149       end
 150       seq = longest_seq
 151       longest_non_unique_genes_msa.add_sequence( seq )
 152     else
 153       seq = seqs.get_sequence( 0 )
 154       unique_genes_msa.add_sequence( seq )
 155     end
 156
 157
 158     unless IGNORE_SPECIES
 159       species = species_re.match( seq.get_name )[ 1 ]
 160     else
 161       species = "XXXXX"
 162     end
 163     unless all_msa_per_species.has_key?( species )
 164       all_msa_per_species[ species ] = Msa.new
 165     end
 166     all_msa_per_species[ species ].add_sequence( seq )
 167
 168   end
 169
 170   outfile.close
 171
 172   w = FastaWriter.new
 173   w.write( unique_genes_msa, outbase + "_seqs_from_unique_genes.fasta" )
 174   w.write( longest_non_unique_genes_msa, outbase + "_longest_seqs_from_nonunique_genes.fasta" )
 175
 176   all_msa_per_species.each_pair do |s,m|
 177     w = FastaWriter.new
 178     w.write( m, outbase + "_"  + s + ".fasta" )
 179   end
 180
 181 end