src/jalview/ext/ensembl/EnsemblGene.java

   1 /*
   2  * Jalview - A Sequence Alignment Editor and Viewer ($$Version-Rel$$)
   3  * Copyright (C) $$Year-Rel$$ The Jalview Authors
   4  *
   5  * This file is part of Jalview.
   6  *
   7  * Jalview is free software: you can redistribute it and/or
   8  * modify it under the terms of the GNU General Public License
   9  * as published by the Free Software Foundation, either version 3
  10  * of the License, or (at your option) any later version.
  11  *
  12  * Jalview is distributed in the hope that it will be useful, but
  13  * WITHOUT ANY WARRANTY; without even the implied warranty
  14  * of MERCHANTABILITY or FITNESS FOR A PARTICULAR
  15  * PURPOSE.  See the GNU General Public License for more details.
  16  *
  17  * You should have received a copy of the GNU General Public License
  18  * along with Jalview.  If not, see <http://www.gnu.org/licenses/>.
  19  * The Jalview Authors are detailed in the 'AUTHORS' file.
  20  */
  21 package jalview.ext.ensembl;
  22
  23 import jalview.api.FeatureColourI;
  24 import jalview.api.FeatureSettingsModelI;
  25 import jalview.datamodel.AlignmentI;
  26 import jalview.datamodel.GeneLociI;
  27 import jalview.datamodel.Sequence;
  28 import jalview.datamodel.SequenceFeature;
  29 import jalview.datamodel.SequenceI;
  30 import jalview.datamodel.features.SequenceFeatures;
  31 import jalview.io.gff.SequenceOntologyFactory;
  32 import jalview.io.gff.SequenceOntologyI;
  33 import jalview.schemes.FeatureColour;
  34 import jalview.schemes.FeatureSettingsAdapter;
  35 import jalview.util.MapList;
  36 import jalview.util.Platform;
  37
  38 import java.awt.Color;
  39 import java.io.UnsupportedEncodingException;
  40 import java.net.URLDecoder;
  41 import java.util.ArrayList;
  42 import java.util.Arrays;
  43 import java.util.List;
  44
  45 import com.stevesoft.pat.Regex;
  46
  47 /**
  48  * A class that fetches genomic sequence and all transcripts for an Ensembl gene
  49  *
  50  * @author gmcarstairs
  51  */
  52 public class EnsemblGene extends EnsemblSeqProxy
  53 {
  54   /*
  55    * accepts anything as we will attempt lookup of gene or
  56    * transcript id or gene name
  57    */
  58   private static final Regex ACCESSION_REGEX = new Regex(".*");
  59
  60   private static final EnsemblFeatureType[] FEATURES_TO_FETCH = {
  61       EnsemblFeatureType.gene, EnsemblFeatureType.transcript,
  62       EnsemblFeatureType.exon, EnsemblFeatureType.cds,
  63       EnsemblFeatureType.variation };
  64
  65   private static final String CHROMOSOME = "chromosome";
  66
  67   /**
  68    * Default constructor (to use rest.ensembl.org)
  69    */
  70   public EnsemblGene()
  71   {
  72     super();
  73   }
  74
  75   /**
  76    * Constructor given the target domain to fetch data from
  77    *
  78    * @param d
  79    */
  80   public EnsemblGene(String d)
  81   {
  82     super(d);
  83   }
  84
  85   @Override
  86   public String getDbName()
  87   {
  88     return "ENSEMBL";
  89   }
  90
  91   @Override
  92   protected EnsemblFeatureType[] getFeaturesToFetch()
  93   {
  94     return FEATURES_TO_FETCH;
  95   }
  96
  97   @Override
  98   protected EnsemblSeqType getSourceEnsemblType()
  99   {
 100     return EnsemblSeqType.GENOMIC;
 101   }
 102
 103   @Override
 104   protected String getObjectType()
 105   {
 106     return OBJECT_TYPE_GENE;
 107   }
 108
 109   /**
 110    * Returns an alignment containing the gene(s) for the given gene or
 111    * transcript identifier, or external identifier (e.g. Uniprot id). If given a
 112    * gene name or external identifier, returns any related gene sequences found
 113    * for model organisms. If only a single gene is queried for, then its
 114    * transcripts are also retrieved and added to the alignment. <br>
 115    * Method:
 116    * <ul>
 117    * <li>resolves a transcript identifier by looking up its parent gene id</li>
 118    * <li>resolves an external identifier by looking up xref-ed gene ids</li>
 119    * <li>fetches the gene sequence</li>
 120    * <li>fetches features on the sequence</li>
 121    * <li>identifies "transcript" features whose Parent is the requested
 122    * gene</li>
 123    * <li>fetches the transcript sequence for each transcript</li>
 124    * <li>makes a mapping from the gene to each transcript</li>
 125    * <li>copies features from gene to transcript sequences</li>
 126    * <li>fetches the protein sequence for each transcript, maps and saves it as
 127    * a cross-reference</li>
 128    * <li>aligns each transcript against the gene sequence based on the position
 129    * mappings</li>
 130    * </ul>
 131    *
 132    * @param query
 133    *          a single gene or transcript identifier or gene name
 134    * @return an alignment containing a gene, and possibly transcripts, or null
 135    */
 136   @Override
 137   public AlignmentI getSequenceRecords(String query) throws Exception
 138   {
 139     /*
 140      * convert to a non-duplicated list of gene identifiers
 141      */
 142     List<String> geneIds = getGeneIds(query);
 143     AlignmentI al = null;
 144     for (String geneId : geneIds)
 145     {
 146       /*
 147        * fetch the gene sequence(s) with features and xrefs
 148        */
 149       AlignmentI geneAlignment = super.getSequenceRecords(geneId);
 150       if (geneAlignment == null)
 151       {
 152         continue;
 153       }
 154
 155       if (geneAlignment.getHeight() == 1)
 156       {
 157         // ensure id has 'correct' case for the Ensembl identifier
 158         geneId = geneAlignment.getSequenceAt(0).getName();
 159         findGeneLoci(geneAlignment.getSequenceAt(0), geneId);
 160         getTranscripts(geneAlignment, geneId);
 161       }
 162       if (al == null)
 163       {
 164         al = geneAlignment;
 165       }
 166       else
 167       {
 168         al.append(geneAlignment);
 169       }
 170     }
 171     return al;
 172   }
 173
 174   /**
 175    * Calls the /lookup/id REST service, parses the response for gene
 176    * coordinates, and if successful, adds these to the sequence. If this fails,
 177    * fall back on trying to parse the sequence description in case it is in
 178    * Ensembl-gene format e.g. chromosome:GRCh38:17:45051610:45109016:1.
 179    *
 180    * @param seq
 181    * @param geneId
 182    */
 183   void findGeneLoci(SequenceI seq, String geneId)
 184   {
 185     GeneLociI geneLoci = new EnsemblLookup(getDomain()).getGeneLoci(geneId);
 186     if (geneLoci != null)
 187     {
 188       seq.setGeneLoci(geneLoci.getSpeciesId(), geneLoci.getAssemblyId(),
 189               geneLoci.getChromosomeId(), geneLoci.getMapping());
 190     }
 191     else
 192     {
 193       parseChromosomeLocations(seq);
 194     }
 195   }
 196
 197   /**
 198    * Parses and saves fields of an Ensembl-style description e.g.
 199    * chromosome:GRCh38:17:45051610:45109016:1
 200    *
 201    * @param seq
 202    */
 203   boolean parseChromosomeLocations(SequenceI seq)
 204   {
 205     String description = seq.getDescription();
 206     if (description == null)
 207     {
 208       return false;
 209     }
 210     String[] tokens = description.split(":");
 211     if (tokens.length == 6 && tokens[0].startsWith(CHROMOSOME))
 212     {
 213       String ref = tokens[1];
 214       String chrom = tokens[2];
 215       try
 216       {
 217         int chStart = Integer.parseInt(tokens[3]);
 218         int chEnd = Integer.parseInt(tokens[4]);
 219         boolean forwardStrand = "1".equals(tokens[5]);
 220         String species = ""; // not known here
 221         int[] from = new int[] { seq.getStart(), seq.getEnd() };
 222         int[] to = new int[] { forwardStrand ? chStart : chEnd,
 223             forwardStrand ? chEnd : chStart };
 224         MapList map = new MapList(from, to, 1, 1);
 225         seq.setGeneLoci(species, ref, chrom, map);
 226         return true;
 227       } catch (NumberFormatException e)
 228       {
 229         System.err.println("Bad integers in description " + description);
 230       }
 231     }
 232     return false;
 233   }
 234
 235   /**
 236    * Converts a query, which may contain one or more gene, transcript, or
 237    * external (to Ensembl) identifiers, into a non-redundant list of gene
 238    * identifiers.
 239    *
 240    * @param accessions
 241    * @return
 242    */
 243   List<String> getGeneIds(String accessions)
 244   {
 245     List<String> geneIds = new ArrayList<>();
 246
 247     for (String acc : accessions.split(getAccessionSeparator()))
 248     {
 249       /*
 250        * First try lookup as an Ensembl (gene or transcript) identifier
 251        */
 252       String geneId = new EnsemblLookup(getDomain()).getGeneId(acc);
 253       if (geneId != null)
 254       {
 255         if (!geneIds.contains(geneId))
 256         {
 257           geneIds.add(geneId);
 258         }
 259       }
 260       else
 261       {
 262         /*
 263          * if given a gene or other external name, lookup and fetch
 264          * the corresponding gene for all model organisms
 265          */
 266         List<String> ids = new EnsemblSymbol(getDomain(), getDbSource(),
 267                 getDbVersion()).getGeneIds(acc);
 268         for (String id : ids)
 269         {
 270           if (!geneIds.contains(id))
 271           {
 272             geneIds.add(id);
 273           }
 274         }
 275       }
 276     }
 277     return geneIds;
 278   }
 279
 280   /**
 281    * Constructs all transcripts for the gene, as identified by "transcript"
 282    * features whose Parent is the requested gene. The coding transcript
 283    * sequences (i.e. with introns omitted) are added to the alignment.
 284    *
 285    * @param al
 286    * @param accId
 287    * @throws Exception
 288    */
 289   protected void getTranscripts(AlignmentI al, String accId)
 290           throws Exception
 291   {
 292     SequenceI gene = al.getSequenceAt(0);
 293     List<SequenceFeature> transcriptFeatures = getTranscriptFeatures(accId,
 294             gene);
 295
 296     for (SequenceFeature transcriptFeature : transcriptFeatures)
 297     {
 298       makeTranscript(transcriptFeature, al, gene);
 299     }
 300
 301     clearGeneFeatures(gene);
 302   }
 303
 304   /**
 305    * Remove unwanted features (transcript, exon, CDS) from the gene sequence
 306    * after we have used them to derive transcripts and transfer features
 307    *
 308    * @param gene
 309    */
 310   protected void clearGeneFeatures(SequenceI gene)
 311   {
 312     /*
 313      * Note we include NMD_transcript_variant here because it behaves like
 314      * 'transcript' in Ensembl, although strictly speaking it is not
 315      * (it is a sub-type of sequence_variant)
 316      */
 317     String[] soTerms = new String[] {
 318         SequenceOntologyI.NMD_TRANSCRIPT_VARIANT,
 319         SequenceOntologyI.TRANSCRIPT, SequenceOntologyI.EXON,
 320         SequenceOntologyI.CDS };
 321     List<SequenceFeature> sfs = gene.getFeatures()
 322             .getFeaturesByOntology(soTerms);
 323     for (SequenceFeature sf : sfs)
 324     {
 325       gene.deleteFeature(sf);
 326     }
 327   }
 328
 329   /**
 330    * Constructs a spliced transcript sequence by finding 'exon' features for the
 331    * given id (or failing that 'CDS'). Copies features on to the new sequence.
 332    * 'Aligns' the new sequence against the gene sequence by padding with gaps,
 333    * and adds it to the alignment.
 334    *
 335    * @param transcriptFeature
 336    * @param al
 337    *          the alignment to which to add the new sequence
 338    * @param gene
 339    *          the parent gene sequence, with features
 340    * @return
 341    */
 342   SequenceI makeTranscript(SequenceFeature transcriptFeature, AlignmentI al,
 343           SequenceI gene)
 344   {
 345     String accId = getTranscriptId(transcriptFeature);
 346     if (accId == null)
 347     {
 348       return null;
 349     }
 350
 351     /*
 352      * NB we are mapping from gene sequence (not genome), so do not
 353      * need to check for reverse strand (gene and transcript sequences
 354      * are in forward sense)
 355      */
 356
 357     /*
 358      * make a gene-length sequence filled with gaps
 359      * we will fill in the bases for transcript regions
 360      */
 361     char[] seqChars = new char[gene.getLength()];
 362     Arrays.fill(seqChars, al.getGapCharacter());
 363
 364     /*
 365      * look for exon features of the transcript, failing that for CDS
 366      * (for example ENSG00000124610 has 1 CDS but no exon features)
 367      */
 368     String parentId = accId;
 369     List<SequenceFeature> splices = findFeatures(gene,
 370             SequenceOntologyI.EXON, parentId);
 371     if (splices.isEmpty())
 372     {
 373       splices = findFeatures(gene, SequenceOntologyI.CDS, parentId);
 374     }
 375     SequenceFeatures.sortFeatures(splices, true);
 376
 377     int transcriptLength = 0;
 378     final char[] geneChars = gene.getSequence();
 379     int offset = gene.getStart(); // to convert to 0-based positions
 380     List<int[]> mappedFrom = new ArrayList<>();
 381
 382     for (SequenceFeature sf : splices)
 383     {
 384       int start = sf.getBegin() - offset;
 385       int end = sf.getEnd() - offset;
 386       int spliceLength = end - start + 1;
 387       System.arraycopy(geneChars, start, seqChars, start, spliceLength);
 388       transcriptLength += spliceLength;
 389       mappedFrom.add(new int[] { sf.getBegin(), sf.getEnd() });
 390     }
 391
 392     Sequence transcript = new Sequence(accId, seqChars, 1,
 393             transcriptLength);
 394
 395     /*
 396      * Ensembl has gene name as transcript Name
 397      * EnsemblGenomes doesn't, but has a url-encoded description field
 398      */
 399     String description = transcriptFeature.getDescription();
 400     if (description == null)
 401     {
 402       description = (String) transcriptFeature.getValue(DESCRIPTION);
 403     }
 404     if (description != null)
 405     {
 406       try
 407       {
 408         transcript.setDescription(URLDecoder.decode(description, "UTF-8"));
 409       } catch (UnsupportedEncodingException e)
 410       {
 411         e.printStackTrace(); // as if
 412       }
 413     }
 414     transcript.createDatasetSequence();
 415
 416     al.addSequence(transcript);
 417
 418     /*
 419      * transfer features to the new sequence; we use EnsemblCdna to do this,
 420      * to filter out unwanted features types (see method retainFeature)
 421      */
 422     List<int[]> mapTo = new ArrayList<>();
 423     mapTo.add(new int[] { 1, transcriptLength });
 424     MapList mapping = new MapList(mappedFrom, mapTo, 1, 1);
 425     EnsemblCdna cdna = new EnsemblCdna(getDomain());
 426     cdna.transferFeatures(gene.getFeatures().getPositionalFeatures(),
 427             transcript.getDatasetSequence(), mapping, parentId);
 428
 429     mapTranscriptToChromosome(transcript, gene, mapping);
 430
 431     /*
 432      * fetch and save cross-references
 433      */
 434     cdna.getCrossReferences(transcript);
 435
 436     /*
 437      * and finally fetch the protein product and save as a cross-reference
 438      */
 439     cdna.addProteinProduct(transcript);
 440
 441     return transcript;
 442   }
 443
 444   /**
 445    * If the gene has a mapping to chromosome coordinates, derive the transcript
 446    * chromosome regions and save on the transcript sequence
 447    *
 448    * @param transcript
 449    * @param gene
 450    * @param mapping
 451    *          the mapping from gene to transcript positions
 452    */
 453   protected void mapTranscriptToChromosome(SequenceI transcript,
 454           SequenceI gene, MapList mapping)
 455   {
 456     GeneLociI loci = gene.getGeneLoci();
 457     if (loci == null)
 458     {
 459       return;
 460     }
 461
 462     MapList geneMapping = loci.getMapping();
 463
 464     List<int[]> exons = mapping.getFromRanges();
 465     List<int[]> transcriptLoci = new ArrayList<>();
 466
 467     for (int[] exon : exons)
 468     {
 469       transcriptLoci.add(geneMapping.locateInTo(exon[0], exon[1]));
 470     }
 471
 472     List<int[]> transcriptRange = Arrays
 473             .asList(new int[]
 474             { transcript.getStart(), transcript.getEnd() });
 475     MapList mapList = new MapList(transcriptRange, transcriptLoci, 1, 1);
 476
 477     transcript.setGeneLoci(loci.getSpeciesId(), loci.getAssemblyId(),
 478             loci.getChromosomeId(), mapList);
 479   }
 480
 481   /**
 482    * Returns the 'transcript_id' property of the sequence feature (or null)
 483    *
 484    * @param feature
 485    * @return
 486    */
 487   protected String getTranscriptId(SequenceFeature feature)
 488   {
 489     return (String) feature.getValue(JSON_ID);
 490   }
 491
 492   /**
 493    * Returns a list of the transcript features on the sequence whose Parent is
 494    * the gene for the accession id.
 495    * <p>
 496    * Transcript features are those of type "transcript", or any of its sub-types
 497    * in the Sequence Ontology e.g. "mRNA", "processed_transcript". We also
 498    * include "NMD_transcript_variant", because this type behaves like a
 499    * transcript identifier in Ensembl, although strictly speaking it is not in
 500    * the SO.
 501    *
 502    * @param accId
 503    * @param geneSequence
 504    * @return
 505    */
 506   protected List<SequenceFeature> getTranscriptFeatures(String accId,
 507           SequenceI geneSequence)
 508   {
 509     List<SequenceFeature> transcriptFeatures = new ArrayList<>();
 510
 511     String parentIdentifier = accId;
 512
 513     List<SequenceFeature> sfs = geneSequence.getFeatures()
 514             .getFeaturesByOntology(SequenceOntologyI.TRANSCRIPT);
 515     sfs.addAll(geneSequence.getFeatures().getPositionalFeatures(
 516             SequenceOntologyI.NMD_TRANSCRIPT_VARIANT));
 517
 518     for (SequenceFeature sf : sfs)
 519     {
 520       String parent = (String) sf.getValue(PARENT);
 521       if (parentIdentifier.equalsIgnoreCase(parent))
 522       {
 523         transcriptFeatures.add(sf);
 524       }
 525     }
 526
 527     return transcriptFeatures;
 528   }
 529
 530   @Override
 531   public String getDescription()
 532   {
 533     return "Fetches all transcripts and variant features for a gene or transcript";
 534   }
 535
 536   /**
 537    * Default test query is a gene id (can also enter a transcript id)
 538    */
 539   @Override
 540   public String getTestQuery()
 541   {
 542     return Platform.isJS() ? "ENSG00000123569" : "ENSG00000157764";
 543     // ENSG00000123569 // H2BFWT histone, 2 transcripts, reverse strand
 544     // ENSG00000157764 // BRAF, 5 transcripts, reverse strand
 545     // ENSG00000090266 // NDUFB2, 15 transcripts, forward strand
 546     // ENSG00000101812 // H2BFM histone, 3 transcripts, forward strand
 547   }
 548
 549   /**
 550    * Answers a list of sequence features (if any) whose type is 'gene' (or a
 551    * subtype of gene in the Sequence Ontology), and whose ID is the accession we
 552    * are retrieving
 553    */
 554   @Override
 555   protected List<SequenceFeature> getIdentifyingFeatures(SequenceI seq,
 556           String accId)
 557   {
 558     List<SequenceFeature> result = new ArrayList<>();
 559     List<SequenceFeature> sfs = seq.getFeatures()
 560             .getFeaturesByOntology(SequenceOntologyI.GENE);
 561     for (SequenceFeature sf : sfs)
 562     {
 563       String id = (String) sf.getValue(JSON_ID);
 564       if (accId.equalsIgnoreCase(id))
 565       {
 566         result.add(sf);
 567       }
 568     }
 569     return result;
 570   }
 571
 572   /**
 573    * Answers true unless feature type is 'gene', or 'transcript' with a parent
 574    * which is a different gene. We need the gene features to identify the range,
 575    * but it is redundant information on the gene sequence. Checking the parent
 576    * allows us to drop transcript features which belong to different
 577    * (overlapping) genes.
 578    */
 579   @Override
 580   protected boolean retainFeature(SequenceFeature sf, String accessionId)
 581   {
 582     SequenceOntologyI so = SequenceOntologyFactory.getInstance();
 583     String type = sf.getType();
 584     if (so.isA(type, SequenceOntologyI.GENE))
 585     {
 586       return false;
 587     }
 588     if (isTranscript(type))
 589     {
 590       String parent = (String) sf.getValue(PARENT);
 591       if (!accessionId.equalsIgnoreCase(parent))
 592       {
 593         return false;
 594       }
 595     }
 596     return true;
 597   }
 598
 599   /**
 600    * Override to do nothing as Ensembl doesn't return a protein sequence for a
 601    * gene identifier
 602    */
 603   @Override
 604   protected void addProteinProduct(SequenceI querySeq)
 605   {
 606   }
 607
 608   @Override
 609   public Regex getAccessionValidator()
 610   {
 611     return ACCESSION_REGEX;
 612   }
 613
 614   /**
 615    * Returns a descriptor for suitable feature display settings with
 616    * <ul>
 617    * <li>only exon or sequence_variant features (or their subtypes in the
 618    * Sequence Ontology) visible</li>
 619    * <li>variant features coloured red</li>
 620    * <li>exon features coloured by label (exon name)</li>
 621    * <li>variants displayed above (on top of) exons</li>
 622    * </ul>
 623    */
 624   @Override
 625   public FeatureSettingsModelI getFeatureColourScheme()
 626   {
 627     return new FeatureSettingsAdapter()
 628     {
 629       SequenceOntologyI so = SequenceOntologyFactory.getInstance();
 630
 631       @Override
 632       public boolean isFeatureHidden(String type)
 633       {
 634         return (!so.isA(type, SequenceOntologyI.EXON)
 635                 && !so.isA(type, SequenceOntologyI.SEQUENCE_VARIANT));
 636       }
 637
 638       @Override
 639       public FeatureColourI getFeatureColour(String type)
 640       {
 641         if (so.isA(type, SequenceOntologyI.EXON))
 642         {
 643           return new FeatureColour()
 644           {
 645             @Override
 646             public boolean isColourByLabel()
 647             {
 648               return true;
 649             }
 650           };
 651         }
 652         if (so.isA(type, SequenceOntologyI.SEQUENCE_VARIANT))
 653         {
 654           return new FeatureColour()
 655           {
 656
 657             @Override
 658             public Color getColour()
 659             {
 660               return Color.RED;
 661             }
 662           };
 663         }
 664         return null;
 665       }
 666
 667       /**
 668        * order to render sequence_variant after exon after the rest
 669        */
 670       @Override
 671       public int compare(String feature1, String feature2)
 672       {
 673         if (so.isA(feature1, SequenceOntologyI.SEQUENCE_VARIANT))
 674         {
 675           return +1;
 676         }
 677         if (so.isA(feature2, SequenceOntologyI.SEQUENCE_VARIANT))
 678         {
 679           return -1;
 680         }
 681         if (so.isA(feature1, SequenceOntologyI.EXON))
 682         {
 683           return +1;
 684         }
 685         if (so.isA(feature2, SequenceOntologyI.EXON))
 686         {
 687           return -1;
 688         }
 689         return 0;
 690       }
 691     };
 692   }
 693
 694 }