Разобрать файл gff, получить имя скаффолда и создать новый фрейм данных - PullRequest
Новая
       9

Разобрать файл gff, получить имя скаффолда и создать новый фрейм данных

0 голосов
/ 11 мая 2018

Я объясняю свою проблему.

У меня фактически есть файл gff (вывод Августа) В этом файле gff у меня есть локализация генов в разных скаффолдах, например: 

# Predicted genes for sequence number 1 on both strands
# start gene g1
scaffold_0  AUGUSTUS    gene    5629    8516    0.13    +   .   g1
scaffold_0  AUGUSTUS    transcript  5629    8516    0.13    +   .   g1.t1
scaffold_0  AUGUSTUS    start_codon 5629    5631    .   +   0   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    intron  5662    7695    0.18    +   .   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    intron  8219    8424    0.55    +   .   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    CDS 5629    5661    0.41    +   0   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    CDS 7696    8218    0.56    +   0   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    CDS 8425    8516    0.59    +   2   transcript_id "g1.t1"; gene_id "g1";
scaffold_0  AUGUSTUS    stop_codon  8514    8516    .   +   0   transcript_id "g1.t1"; gene_id "g1";
# protein sequence = [MRVKSGNLRENNEARGTSANVALCTVSRGYGGRGARGGGVSGANSGPSGARGGSTRARSRAESVVRLPLSPRTLCAPG
# PVAGPHTGAQAQQHPQQAQSRDHHASQPLTGGAGTGSGLEDGPGSADEPMVHLERPQQAGTWICCVPCYWLRRSKAVHKALLTFAMLLVTSLLVTSPV
# LFLITTLPEAASIRHTYACLFSLSKIPLPPHMKTNGTPF]
# end gene g1

Здесь g1.t1 находится в эшафоте 0 для примера. И у меня также есть файл вкладки, содержащий несколько таких сведений: 

scaf_name       scaf_length cov_depth       GC
scaffold_0      541519  79.7321515957889    0.398087601727733
scaffold_1      251893  80.0520141488648    0.398288162037055
scaffold_10     169987  79.1650185014148    0.400994512896853
scaffold_100    168110  77.8095354232348    0.417265648727282
scaffold_1000   34744   70.048756619848     0.419531948061824
scaffold_10000  648     73.8009259259259    0.427052956957891
scaffold_100000 118 0   0.401301375405743
scaffold_100001 118 0   0.389793951804145

И что я хотел бы сделать, это создать информационный кадр с этой информацией, например, если у меня есть 5 генов: 

g1.t1  in scaffold 256
g2.t1  in scaffold 890
g3.t1  in scaffold 6
g4.t1  in scaffold 6
g5.t1  in scaffold 1234

и что в информации для этих лесов: 

scaf_name       scaf_length cov_depth       GC
scaffold 6      56786         79            0.39
scaffold 256    789765        86            0.42
scaffold 890    3456          85            0.40
scaffold 1234   590           90            0.41

Я хотел бы получить такой фрейм данных: 

gene_name   scaf_name       scaf_length cov_depth       GC
g3.t1       scaffold 6      56786         79            0.39
g4.t1       scaffold 6      56786         79            0.39
g1.t1       scaffold 256    789765        86            0.42
g2.t1       scaffold 890    3456          85            0.40
g5.t1       scaffold 1234   590           90            0.41

Полагаю, это возможно сделать с помощью python и pandas, не так ли? Спасибо за вашу помощь :)

Вот сценарий, который я сделал благодаря Ами: 

import pandas as pd

gff_0042="/Users/etudiant/Desktop/Horizon_project/Augustus/Augustus_out/run_augustus_0042.out"
liste=["scaf_name","source","feature","start","end","score","strand","frame","gene"]
gene_info=pd.read_csv(gff_0042,comment='"',sep='\s+',header=None,names=liste)


scaf_info=pd.read_csv("cov_GC.tab",sep='\t')

scaf_info.scaf_name = scaf_info.scaf_name.str.replace(' ', '_')
new=pd.merge(gene_info, scaf_info, on='scaf_name')

print(new)

Вот часть результата, который я получил: 

    scaf_name   source  feature start   end score   strand  frame   gene    scaf_length cov_depth   GC  
0   scaffold_0  AUGUSTUS    gene    5793    11216   0.13    +   .   g1  541519  79.7321515957889    0.39808760172773294 
1   scaffold_0  AUGUSTUS    transcript  5793    11216   0.13    +   .   g1.t1   541519  79.7321515957889    0.39808760172773294 
2   scaffold_0  AUGUSTUS    start_codon 5793    5795    .   +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
3   scaffold_0  AUGUSTUS    intron  5829    7371    0.41    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
4   scaffold_0  AUGUSTUS    intron  7405    7695    0.8 +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
5   scaffold_0  AUGUSTUS    intron  8248    11054   0.37    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
6   scaffold_0  AUGUSTUS    CDS 5793    5828    0.45    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
7   scaffold_0  AUGUSTUS    CDS 7372    7404    0.81    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
8   scaffold_0  AUGUSTUS    CDS 7696    8247    0.84    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
9   scaffold_0  AUGUSTUS    CDS 11055   11216   0.4 +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
10  scaffold_0  AUGUSTUS    stop_codon  11214   11216   .   +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
11  scaffold_0  AUGUSTUS    gene    38793   39207   0.91    -   .   g2  541519  79.7321515957889    0.39808760172773294 
12  scaffold_0  AUGUSTUS    transcript  38793   39207   0.91    -   .   g2.t1   541519  79.7321515957889    0.39808760172773294 
13  scaffold_0  AUGUSTUS    stop_codon  38793   38795   .   -   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
14  scaffold_0  AUGUSTUS    intron  38904   39066   0.92    -   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
15  scaffold_0  AUGUSTUS    CDS 38793   38903   0.95    -   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
16  scaffold_0  AUGUSTUS    CDS 39067   39207   0.91    -   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
17  scaffold_0  AUGUSTUS    start_codon 39205   39207   .   -   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
18  scaffold_0  AUGUSTUS    gene    50409   58153   0.07    +   .   g3  541519  79.7321515957889    0.39808760172773294 
19  scaffold_0  AUGUSTUS    transcript  50409   58153   0.07    +   .   g3.t1   541519  79.7321515957889    0.39808760172773294 
20  scaffold_0  AUGUSTUS    start_codon 50409   50411   .   +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
21  scaffold_0  AUGUSTUS    intron  50520   50762   0.65    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
22  scaffold_0  AUGUSTUS    intron  50895   51080   0.91    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
23  scaffold_0  AUGUSTUS    intron  51180   51284   0.61    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
24  scaffold_0  AUGUSTUS    intron  51458   55603   0.47    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
25  scaffold_0  AUGUSTUS    intron  55791   56101   0.98    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
26  scaffold_0  AUGUSTUS    intron  56279   56384   1   +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
27  scaffold_0  AUGUSTUS    intron  56486   56573   1   +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
28  scaffold_0  AUGUSTUS    intron  56630   56952   0.97    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
29  scaffold_0  AUGUSTUS    intron  57240   57365   0.57    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
30  scaffold_0  AUGUSTUS    intron  57525   57736   0.81    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
31  scaffold_0  AUGUSTUS    intron  57814   58053   0.75    +   .   transcript_id   541519  79.7321515957889    0.39808760172773294 
32  scaffold_0  AUGUSTUS    CDS 50409   50519   0.39    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
33  scaffold_0  AUGUSTUS    CDS 50763   50894   0.74    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
34  scaffold_0  AUGUSTUS    CDS 51081   51179   0.91    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
35  scaffold_0  AUGUSTUS    CDS 51285   51457   0.57    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
36  scaffold_0  AUGUSTUS    CDS 55604   55790   0.98    +   1   transcript_id   541519  79.7321515957889    0.39808760172773294 
37  scaffold_0  AUGUSTUS    CDS 56102   56278   0.98    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
38  scaffold_0  AUGUSTUS    CDS 56385   56485   1   +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
39  scaffold_0  AUGUSTUS    CDS 56574   56629   0.98    +   1   transcript_id   541519  79.7321515957889    0.39808760172773294 
40  scaffold_0  AUGUSTUS    CDS 56953   57239   0.64    +   2   transcript_id   541519  79.7321515957889    0.39808760172773294 
41  scaffold_0  AUGUSTUS    CDS 57366   57524   0.81    +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
42  scaffold_0  AUGUSTUS    CDS 57737   57813   0.9 +   0   transcript_id   541519  79.7321515957889    0.39808760172773294 
43  scaffold_0  AUGUSTUS    CDS 58054   58153   0.5 +   1   transcript_id   541519  79.7321515957889    0.39808760172773294 
44  scaffold_0  AUGUSTUS    stop_codon  58151   58153   .   +   0   transcript_id   541519  79.7321515957889    0.39808760172773294

и я хотел бы, если возможно, получить: 

    scaf_name   source  feature start   end score   strand  frame   gene    scaf_length cov_depth   GC  
1   scaffold_0  AUGUSTUS    transcript  5793    11216   0.13    +   .   g1.t1   541519  79.7321515957889    0.39808760172773294 
12  scaffold_0  AUGUSTUS    transcript  38793   39207   0.91    -   .   g2.t1   541519  79.7321515957889    0.39808760172773294 
19  scaffold_0  AUGUSTUS    transcript  50409   58153   0.07    +   .   g3.t1   541519  79.7321515957889    0.39808760172773294

и т. Д.

1 Ответ

0 голосов
/ 11 мая 2018

Сначала, используйте read_csv, чтобы прочитать файл gff.Обратите внимание на следующее:

  • Set comment='"'
  • Set `sep = '\ s +'
  • Set header=None
  • Set names=... к какому-либо списку с указанием имен, с первым именем 'scaf_name' и последним именем 'gene'.

Поместите его в gene_info.

Теперь используйте read_csv, чтобы прочитать ограниченный вкладки файл, установка sep='\t'.Поместите его в scaf_info.

Запустите 

scaf_info.scaf_name = scaf_info.scaf_name.str.replace(' ', '_')

, чтобы изменить такие вещи, как scaffold 6 на scaffold_6.

Теперь выполните 

pd.merge(gene_info, scaf_info, on='scaf_name')
...