使用 Perl 查找最大的开放阅读框

Question

我创建了一个程序，可以读取 DNA 序列，生成互补链，并进一步翻译为 mRNA。然而，我必须找到该 DNA 的最长开放阅读框。我已经编写了一些代码，但是当它打印出语句时，我没有得到答案。帮助？

这就是我所拥有的；

# Search for the longest open reading frame for this DNA.
print "\nHere is the largest ORF, from 5' to 3':\n" ;
local $_ = $RNA_seq ;
while ( / AUG /g ) {
    my $start = pos () - 2 ;
    if ( / UGA|UAA|UAG /g ) {
        my $stop = pos ;
        $gene = substr ( $_ , $start - 1 , $stop - $start + 1 ), $/ ;
        print "$gene" ;
    }
}

# The next set of commands translates the ORF found above for an amino acid seq.
print "\nThe largest reading Frame is:\t\t\t" . $protein { "gene" } . "\n" ;
sub translate {
    my ( $gene , $reading_frame ) = @_ ;
    my %protein = ();
    for ( $i = $reading_frame ; $i < length ( $gene ); $i += 3 ) {
        $codon = substr ( $gene , $i , 3 );
        $amino_acid = translate_codon( $codon );
        $protein { $amino_acid }++;
        $protein { "gene" } .= $amino_acid ;
    }
    return %protein ;
}

sub translate_codon {
if ( $_ [ 0 ] =~ / GC[AGCU] /i )             { return A;} # Alanine;
if ( $_ [ 0 ] =~ / UGC|UGU /i )              { return C;} # Cysteine
if ( $_ [ 0 ] =~ / GAC|GAU /i )              { return D;} # Aspartic Acid;
if ( $_ [ 0 ] =~ / GAA|GAG /i )              { return Q;} # Glutamine;
if ( $_ [ 0 ] =~ / UUC|UUU /i )              { return F;} # Phenylalanine;
if ( $_ [ 0 ] =~ / GG[AGCU] /i )             { return G;} # Glycine;
if ( $_ [ 0 ] =~ / CAC|CAU /i )              { return His;} # Histine (start codon);
if ( $_ [ 0 ] =~ / AU[AUC] /i )              { return I;} # Isoleucine;
if ( $_ [ 0 ] =~ / AAA|AAG /i )              { return K;} # Lysine;
if ( $_ [ 0 ] =~ / UUA|UUG|CU[AGCU] /i )     { return Leu;} # Leucine;
if ( $_ [ 0 ] =~ / AUG /i )                  { return M;} # Methionine;
if ( $_ [ 0 ] =~ / AAC|AAU /i )              { return N;} # Asparagine;
if ( $_ [ 0 ] =~ / CC[AGCU] /i )             { return P;} # Proline;
if ( $_ [ 0 ] =~ / CAA|CAG /i )              { return G;} # Glutamine;
if ( $_ [ 0 ] =~ / AGA|AGG|CG[AGCU] /i )     { return R;} # Arginine;
if ( $_ [ 0 ] =~ / AGC|AGU|UC[AGCU] /i )     { return S;} # Serine;
if ( $_ [ 0 ] =~ / AC[AGCU] /i )             { return T;} # Threonine;
if ( $_ [ 0 ] =~ / GU[AGCU] /i )             { return V;} # Valine;
if ( $_ [ 0 ] =~ / UGG /i )                  { return W;} # Tryptophan;
if ( $_ [ 0 ] =~ / UAC|UAU /i )              { return Y;} # Tyrosine;
if ( $_ [ 0 ] =~ / UAA|UGA|UAG /i )          { return "***" ;} # Stop Codons;
}

我错过了什么吗？

Answer 1

放在

use strict;
use warnings;

代码的开头：

它将有助于检测通常不返回字符串而是文件句柄的问题

return A;

如果您想返回字符串，

return 'A';

Answer 2

如果您想在正则表达式中添加空格以提高可读性，则需要使用正则表达式 x 修饰符：

if ( $_ [ 0 ] =~ / GC[AGCU] /xi )

然后，如果您需要表示空格（您不应该在这里），只需使用 <代码>\s
顺便说一句，不要使用 $_ [0] 考虑：

sub translate_codon {
    my $codon = shift;
    return q(A) if $codon =~ m/ GC[AGCU] /xi;
    return q(F) if $codon =~ m/ UU[CU]   /xi;
}

Answer 3

您是否检查过 BioPerl ？我还没有检查过，但也许它已经包含了您需要的功能。或者您目前正在进行一项必须自己编写程序的作业？

编辑

我不太确定您发布的代码的第一部分。例如，您的正则表达式中有空格。您尝试匹配的字符串实际上包含这些空格，还是密码子全部写在一起，如 AUGCCGGAUGA 中所示？在后一种情况下，即使存在您正在寻找的密码子，也根本不匹配（我可能会告诉您您知道的事情......我只是想指出这一点，以防万一:) ）。

另外，你的 pos 函数的代码是什么？

还有一件事：您不必设置 $_，您可以简单地将 $RNA_seq 与模式匹配，如下所示：

if ($RNA_seq =~ m/UGA/) { # ...

EDIT 2

我对第一部分进行了更多思考，我认为这里建议使用 index 函数，因为它会立即为您提供序列中的位置：

#!/usr/bin/perl

use strict;
use warnings;
use List::Util qw( min );

my $string = 'UGAAUGGGCCAUAUUUGACUGAGUUUCAGAUGCCAUUGGCGAUUAG';
# the genes:     *-------------*           *---------------*

my $prev = -1;
my @genes;

while (1) {
   my $start = index($string, 'AUG', $prev+1);
   my $stop  = min grep $_ > -1, (index($string, 'UGA', $start+1), index($string, 'UAA', $start+1),
                                  index($string, 'UAG', $start+1));

   # exit the loop if index is -1, i.e. if there was no more match
   last if ($start < 0 or $stop < 0); 

   # using +1 so that 'AUGA' will not count as a gene
   if ($stop > $start+1) { 
      push @genes, substr($string, $start, $stop);
   }

   $prev = $stop; # I'm assuming that no second AUG will come between AUG and a stop codon
}

print "@genes\n";

这给了您

AUGGGCCAUAUUUGA AUGCCAUUGGCGAUUAG

我想说它可能需要一些改进，但我希望这对大家有所帮助 相同的。

Answer 4

从头开始基因预测有多种应用。如果您仍然想从头开始编码，我建议您查看动态编程和用于局部序列比对的 Smith–Waterman 算法。但请注意，对于真核生物，您还应该考虑 RNA 剪接。