从连接的fasta文件中，如何在每个蛋白质序列中找到各个位置的范围。

Question

也许这个问题太笼统了，但我完全被困在了这个问题上。对任何类型的帮助都表示感谢：

我有一个蛋白质fasta文件(protein.txt)，类似于：

>a
mnspq
>b
rstuvw
>c
mnqa

请注意，a、b和c蛋白的长度分别为5、6和4(总长度= 15)。

现在，我提取了一些随机范围(计算基于总长度)，并将其保存为(file1.txt)如下：

2-3
4-10
11-14

在蛋白质文件中看到的每个蛋白质的长度(在总长度内)保存在另一个文件(file2.txt)中：

a  1-5
b  6-11
c  12-15

现在，从file1值中，我希望修改file2值，并尝试计算每个蛋白质序列的单个范围，对于上面的输入，输出将是：

a   2-3,4-5
b   1-5, 6
c   2-5

换句话说，如果我首先连接我的所有序列和去雷明的一些范围从级联文件，我如何才能找到在每个蛋白质序列的个别范围的位置。

谢谢

Answer 1

我想答案的最后一行应该是c 1-3

|---a---| |---b-----| |--c--|
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5
  |-| |-----------| |-----|
1 2 3 4 5 1 2 3 4 5 6 1 2 3 4

Perl来救我！首先，将从file1到数组的范围读取。然后，从file2中读取蛋白质，对于与范围重叠的每个范围，计算和打印“开始”和“结束”。

#!/usr/bin/perl
use warnings;
use strict;

my @ranges;
open my $f1, '<', 'file1.txt' or die $!;
while (<$f1>) {
    chomp;
    push @ranges, [ split /-/ ];
}

open my $f2, '<', 'file2.txt' or die $!;
while (<$f2>) {
    my ($protein, $range) = split;
    print "$protein";
    my $separator = ' ';
    my ($from, $to) = split /-/, $range;

    shift @ranges while @ranges && $ranges[0][1] < $from;
    last unless @ranges;

    while (@ranges && $ranges[0][0] <= $to) {
        my $start = $ranges[0][0];
        $start = $from if $from > $start;
        my $end = $ranges[0][1];
        $end = $to if $end > $to;
        $_ -= $from - 1 for $start, $end;

        print $separator, $start == $end ? $start : "$start-$end";
        $separator = ',';

        if ($ranges[0][1] < $to) {
            shift @ranges;
        } else {
            $ranges[0][0] = $to + 1;
        }
    }
    print "\n";
}