PARSERIZZAZIONE DI FILE
description
Transcript of PARSERIZZAZIONE DI FILE
BIOINFO3 - Lezione 35 11
PARSERIZZAZIONE DI FILEPARSERIZZAZIONE DI FILE
Un problema piuttosto comune in bioinformatica è quello di leggere un file, tipicamente un flat-file in un qualche formato (es. FASTA) rappresentante un database (es. un insieme di sequenze). All’interno del file si tratta di riconoscere la struttura sintattica con cui sono organizzati i dati e quindi individuare i singoli record e all’interno dei record i singoli campi.
Una volta “estratte” le informazioni di nostro interesse dal file è possibile sottoporle a qualunque elaborazione, ad esempio potremo scrivere in un nuovo file i risultati dell’elaborazione. L’elaborazione potrebbe consistere anche semplicemente nel riscrivere i record in un nuovo formato o nello scrivere solo i record che verificano determinate condizioni.
record1
recordn
…….FILE
campo1
campo2
campon
campo1
campo2
campon
……. PROGRAMMAPARSERIZZATORE
BIOINFO3 - Lezione 35 22
FILE FASTAFILE FASTA
Supponiamo che il file da analizzare sia in formato FASTA, ad esempio un file di sequenze EST scaricato da GENBANK. Individuamo nei record i campi di nostro interesse
1) Il numero identificativo gi del record genbank2) Il codice accession 3) Il nome della EST 4) La descrizione della EST5) La sequenza della EST
1 2 3 4
5
BIOINFO3 - Lezione 35 33
ELABORAZIONEELABORAZIONE
L’elaborazione che ci interessa effettuare su ogni singolo record è quella di inserire un record corrispondente all’interno di un database relazionale SQL di sequenze EST. Le 5 informazioni estratte da ogni record dovranno produrre un corrispondente comando di insert MySQL
1 2 3 4
5
insert into est (gi,accession,nome,descrizione,sequenza)values(8777287,’AB044776’,’AB044776’,’Panax…’,‘GAAGAA…’)
BIOINFO3 - Lezione 35 44
2 ALTERNATIVE2 ALTERNATIVE
Abbiamo visto che esistono due modi alternativi per interagire con un database SQL e di conseguenza è possibile eseguire l’operazione di insert in due modi alternativi
1)Dalla linea di comando del client MySQL
2)Da programma (embedding)
Nel primo caso il programma di parserizzazione creerà un file di comandi SQL che poi daremo direttamente in pasto all’interprete MySQL.
Nel secondo caso le istruzioni di insert sono eseguite una ad una direttamente all’interno del programma, man mano che vengono letti i singoli record.
La seconda soluzione sembrerebbe più “automatizzata”, però anche nel primo caso, una volta scritto completamente il file, è possibile far eseguire da programma (con una istruzione qx o system) il comando UNIX di lettura ed esecuzione del file da parte del client mysql
BIOINFO3 - Lezione 35 55
SCHEMATIZZANDO…SCHEMATIZZANDO…
Proveremo a vedere entrambe le soluzioni in quanto la parte di programma che cambia è minima (evidenziata in rosso)
campo1
campo2
campon
campo1
campo2
campon
…….
while (riconoscimento di un record){
estrazione campi
definizione comando di insert
scrittura del comando sul file
}
file parserizzatorefile di
comandi SQL
campo1
campo2
campon
campo1
campo2
campon
…….
1)
2)
while (riconoscimento di un record){
estrazione campi
definizione comando di insert
esecuzione del comando
}
DB
SERVER MYSQL
esecuzionedel file
BIOINFO3 - Lezione 35 66
LA STRATEGIA PER PARSERIZZARE IL FILELA STRATEGIA PER PARSERIZZARE IL FILE
Abbiamo detto che la parserizzazione deve essere guidata dalla struttura sintattica del file.In Perl una possibilità è quella di leggere l’intero file ed assegnarlo ad un’unica stringa (che può contenere file anche molto grandi) e quindi procedere all’individuazione dei record. I record sono chiaramente separabili grazie al pattern “>gi|” posto all’inizio di ogni record. Si potrà pertanto effettuare una operazione di split basata proprio su questo pattern, ottenendo un array contenente tutti i record. Per ogni record si potrà effettuare successivamente un pattern matching per estrarre i 5 campi.
file
letturafile
>gi|
>gi|
>gi|
stringa
split array ( , , )
pattern matching
1 2 3 4 5
BIOINFO3 - Lezione 35 77
IL PARSERIZZATOREIL PARSERIZZATORE
BIOINFO3 - Lezione 35 88
ESECUZIONEESECUZIONE
Per evitare di “sorbirsi” tutti i cicli di lettura fissiamo un break point!
BIOINFO3 - Lezione 35 99
ESECUZIONEESECUZIONE
Lo split crea 22 record,ma il primo è vuoto (perché il file iniziava con il pattern di split). Per questo ho aggiunto il test if ($record)
BIOINFO3 - Lezione 35 1010
ESECUZIONEESECUZIONE
Prima di eliminare tutti gli spazi e i new-line dalla sequenza proviamo a vedere tutte le stringhe catturate dal pattern matching
BIOINFO3 - Lezione 35 1111
ESECUZIONEESECUZIONE
Vediamo la sequenza $seq prima e dopo la sostituzione del pattern
Si può anche notare che l’operazione di pattern substitution azzera le variabili speciali $1, $2,…In generale ogni operazione sui pattern cancella i risultati della precedente
BIOINFO3 - Lezione 35 1212
ESECUZIONEESECUZIONE
Si procede quindi con il riconoscimento del secondo record e così via.
Alla fine di ogni ciclo abbiamo a disposizione nelle variabili $gi, $ac, $nome, $descr, $seq tutti i campi per quel record
BIOINFO3 - Lezione 35 1313
CREAZIONE DI FILE DI COMANDI SQLCREAZIONE DI FILE DI COMANDI SQL
Non ve l’avevo ancora detto (anche perché a fine programma i file aperti vengono comunque chiusi automaticamente) ma è buona norma chiudere un file quando è stato letto o scritto completamente
BIOINFO3 - Lezione 35 1414
ESECUZIONEESECUZIONE
BIOINFO3 - Lezione 35 1515
ESECUZIONE DEL FILE DI COMANDIESECUZIONE DEL FILE DI COMANDI
Una volta scritti tutti i comandi SQL e chiuso il file di output ($nomefile.mysql) si può eseguire l’istruzione Perl:
qx{mysql btbm-xx <$nomefile.mysql};
Dove btbm-xx è il nome del database su cui far eseguire i comandi. Il comando UNIX eseguito da Perl fa leggere ed eseguire al client mysql il file di comandi appena creato.
Lo stesso comando UNIX potrà anche essere dato non da programma ma a mano al termine dell’esecuzione del programma parserizzatore
BIOINFO3 - Lezione 35 1616
COMANDI SQL DA PROGRAMMACOMANDI SQL DA PROGRAMMA