indel_snp_ssr_primer

请你喝好果汁6412025-05-29 9:31

好的，我们可以逐步分析这个 Perl 脚本的每个部分。脚本的主要功能是基于给定的 VCF 文件和参考基因组文件，设计引物并进行电子 PCR（e-PCR）分析。我们将从脚本的头部和初始化部分开始讲解。

第一部分：脚本头部和初始化

2. 模块加载
perl 复制代码 
#use strict;
use Cwd qw(abs_path getcwd);
use Getopt::Long;
use Data::Dumper;
use FindBin qw($Bin $Script);
use File::Basename qw(basename dirname);
use Config::General;

use File::Path qw(make_path remove_tree);
use File::Copy;
use File::Spec;
my $BEGIN_TIME=time();
my $version="1.0";
use Bio::SeqIO;
  • use Cwd qw(abs_path getcwd); ：加载 Cwd 模块，用于获取当前工作目录和绝对路径。
  • use Getopt::Long;：用于处理命令行参数。
  • use Data::Dumper;：用于调试，可以打印复杂数据结构。
  • use FindBin qw($Bin $Script);：获取脚本所在的目录和脚本名称。
  • use File::Basename qw(basename dirname);：用于处理文件名和路径。
  • use Config::General;：用于解析配置文件。
  • use File::Path qw(make_path remove_tree);：用于创建和删除目录。
  • use File::Copy;：用于文件复制操作。
  • use File::Spec;：用于处理文件路径。
  • use Bio::SeqIO;：用于读取和处理生物序列文件（如 FASTA 格式）。
3. 命令行参数解析
perl 复制代码 
my ($vcf,$flank,$fa,$epcrfa,$od,$outprefix,$PRIMER_NUM_RETURN,$PRIMER_OPT_SIZE,$PRIMER_MIN_SIZE,$PRIMER_MAX_SIZE,$PRIMER_PRODUCT_SIZE_RANGE,$PRIMER_MAX_NS_ACCEPTED);

GetOptions(
    "help|?" =>\&USAGE,
    "fa=s"=>\$fa,
    "vcf=s"=>\$vcf,
    "flank=s"=>\$flank,
    "PRIMER_MIN_SIZE=s"=>\$PRIMER_MIN_SIZE,
    "PRIMER_OPT_SIZE=s"=>\$PRIMER_OPT_SIZE,
    "PRIMER_MAX_SIZE=s"=>\$PRIMER_MAX_SIZE,
    "PRIMER_NUM_RETURN=s"=>\$PRIMER_NUM_RETURN,
    "PRIMER_PRODUCT_SIZE_RANGE=s"=>\$PRIMER_PRODUCT_SIZE_RANGE,
    "epcrfa=s"=>\$epcrfa,
    "od=s"=>\$od,
    "prefix=s"=>\$outprefix,
) or &USAGE;
&USAGE unless($fa and $vcf);
  • GetOptions ：解析命令行参数，将参数值赋给相应的变量。
    • -fa：输入的参考基因组文件（FASTA 格式）。
    • -vcf：输入的 VCF 文件。
    • -flank：indel 两侧的侧翼序列长度，默认为 200。
    • -PRIMER_MIN_SIZE、-PRIMER_OPT_SIZE、-PRIMER_MAX_SIZE：引物的最小、最优和最大长度。
    • -PRIMER_NUM_RETURN：返回的引物对数量。
    • -PRIMER_PRODUCT_SIZE_RANGE：引物扩增产物的长度范围。
    • -epcrfa：用于电子 PCR 的参考基因组文件。
    • -od：输出目录，默认为当前工作目录。
    • -prefix：输出文件的前缀，默认为 indel。
  • &USAGE ：如果用户未提供必要的参数（-fa 和 -vcf），则调用 USAGE 子程序，显示帮助信息并退出。
4. 帮助信息
perl 复制代码 
sub USAGE {
    my $usage=<<"USAGE";
Program: $0
Version: $version
Contact: huangls 
Discription:

Usage:
  Options:
  -fa   <file>  Input fa file, forced
  -vcf  <file>  Input indel vcf file, forced
  -flank  200        cut 200   ;   
  -PRIMER_MIN_SIZE 18 Minimum acceptable length of a primer. Must be greater than 0 and less than or equal to 
                      PRIMER_MAX_SIZE
  -PRIMER_OPT_SIZE 20 Optimum length (in bases) of a primer. Primer3 will attempt to pick primers close to this length.
  -PRIMER_MAX_SIZE 23 Maximum acceptable length (in bases) of a primer. Currently this parameter cannot be 
                      larger than 35. This limit is governed by maximum oligo size for which primer3's melting-temperature 
                      is valid.
  -PRIMER_PRODUCT_SIZE_RANGE 100-1000 The associated values specify the lengths of the product that the user
                       wants the primers to create, and is a space separated list of elements of the form; 
  -PRIMER_NUM_RETURN 1 Total num primer to search 
  -epcrfa  run E-PCR to filter multi mapped primers; 
  -od   <str>   Key of output dir,default cwd;
  -prefix <str> defoult demo;
    -h          Help

USAGE
    print $usage;
    exit 1;
}
  • USAGE 子程序：定义了脚本的使用说明，包括所有支持的命令行参数及其说明。

总结

这一部分主要完成了以下任务：

  1. 脚本头部信息和模块加载。
  2. 命令行参数的解析。
  3. 提供帮助信息。

第二部分：默认参数设置和全局变量初始化

1. 设置默认参数值
perl 复制代码 
$PRIMER_MIN_SIZE ||= 18;
$PRIMER_OPT_SIZE ||= 20;
$PRIMER_MAX_SIZE ||= 23;
$PRIMER_NUM_RETURN ||= 1;
$PRIMER_MAX_NS_ACCEPTED ||= 1;
$PRIMER_PRODUCT_SIZE_RANGE ||= "100-1000";
$od ||= getcwd;
$od = abs_path($od);
unless (-d $od) { mkdir $od; }
$outprefix ||= "indel";
  • 作用 ：为未在命令行中指定的参数设置默认值。
    • PRIMER_MIN_SIZE：引物的最小长度，默认为 18。
    • PRIMER_OPT_SIZE：引物的最优长度，默认为 20。
    • PRIMER_MAX_SIZE：引物的最大长度，默认为 23。
    • PRIMER_NUM_RETURN：返回的引物对数量，默认为 1。
    • PRIMER_MAX_NS_ACCEPTED：引物中允许的最大 N（未知碱基）数量，默认为 1。
    • PRIMER_PRODUCT_SIZE_RANGE：引物扩增产物的长度范围，默认为 100-1000。
    • od：输出目录，默认为当前工作目录。
    • outprefix：输出文件的前缀，默认为 indel。
  • getcwd 和 abs_path：获取当前工作目录的绝对路径，并确保输出目录存在。
2. 初始化全局变量
perl 复制代码 
my %indel_length_range = ('mi' => 2, 'ma' => 5);
my %ref = ();
my %ref_len = ();
  • %indel_length_range ：定义了 indel 长度的范围，mi 表示最小长度，ma 表示最大长度。
  • %ref 和 %ref_len：用于存储参考基因组序列及其长度。
3. 读取参考基因组文件
perl 复制代码 
my $in = Bio::SeqIO->new(-file => "$fa", -format => 'Fasta');
while (my $seq = $in->next_seq()) {
    $ref{$seq->id} = $seq;
    $ref_len{$seq->id} = $seq->length;
}
$in->close();
  • Bio::SeqIO：用于读取 FASTA 格式的参考基因组文件。
  • $seq->id：获取序列的 ID（通常是染色体编号）。
  • $seq->length：获取序列的长度。
  • 作用 ：将参考基因组序列及其长度存储到 %ref 和 %ref_len 哈希表中，方便后续使用。

总结

这一部分主要完成了以下任务：

  1. 为未指定的参数设置默认值。
  2. 初始化全局变量，用于存储参考基因组序列及其长度。
  3. 读取参考基因组文件，并将其存储到哈希表中。

第三部分：VCF 文件的读取和处理

1. 处理 VCF 文件路径
perl 复制代码 
$fa = abs_path($fa);
$epcrfa ||= $fa;
$epcrfa = abs_path($epcrfa);
  • 作用 ：
    • 将输入的参考基因组文件路径（$fa）转换为绝对路径。
    • 如果未指定用于电子 PCR 的参考基因组文件（$epcrfa），则默认使用 $fa。
    • 确保 $epcrfa 也是绝对路径。
2. 打开 VCF 文件
perl 复制代码 
if ($vcf =~ /gz$/) {
    open IN, "gzip -dc $vcf|" or die "$! $vcf";
} else {
    open IN, "$vcf" or die "$! $vcf";
}
  • 作用 ：
    • 检查 VCF 文件是否为 gzip 压缩文件（通过文件扩展名 .gz 判断）。
    • 如果是压缩文件，使用 gzip -dc 命令解压并读取内容。
    • 如果不是压缩文件，直接打开文件。
    • 如果文件无法打开，程序将终止并报错。
3. 初始化变量
perl 复制代码 
$flank ||= 200;
my %ssr_pos = ();
my %SSR = ();
my %genotype = ();

unless (-d "$od/split") { mkdir "$od/split"; }
open OUT, ">$od/split/p_in_0.txt" or die "$!";
open SH, ">$od/primer3.sh" or die "$!";
  • $flank：设置 indel 两侧的侧翼序列长度，默认为 200。
  • %ssr_pos 和 %SSR：用于存储 SSR（简单序列重复）的位置信息和 SSR 序列。
  • %genotype：用于存储每个 indel 的基因型信息。
  • mkdir "$od/split"：创建一个目录用于存放 Primer3 的输入文件。
  • open OUT 和 open SH：分别打开两个文件句柄，用于写入 Primer3 的输入文件和 Shell 脚本。
4. 读取 VCF 文件内容
perl 复制代码 
while (my $line = <IN>) {
    chomp $line;
    next if $line =~ /^##/;
    # next if $line =~ /Scaffold/i;

    my @tmp = split(/\t/, $line);

    if ($line =~ /^#C/) {
        @{$genotype{head}} = @tmp[7 .. $#tmp];
        next;
    }

    my ($ref_len, $alt_len) = (length $tmp[3], length $tmp[4]);
    my $indel_len = abs($ref_len - $alt_len);
    my $indel_len_s = $alt_len - $ref_len;

    my $ID = "$tmp[0]_$tmp[1]_$indel_len";
    $ssr_pos{$ID} = "$tmp[0]\t$tmp[1]\t$tmp[3]\t$tmp[4]\t$indel_len_s";

    $tmp[7] =~ s/^.*ANNOVAR_DATE=[^;]+;//;

    @{$genotype{$ID}} = @tmp[7 .. $#tmp];

    my $seq = "";
    my $indel_len_target = $indel_len;
    if ($alt_len > 1) {
        $seq = &get_target_fa($tmp[0], $tmp[1] - $flank, $tmp[1] + $flank, $flank, $tmp[4]);
        $indel_len_target = 1;
    } else {
        $seq = &get_target_fa($tmp[0], $tmp[1] - $flank, $tmp[1] + $flank + $indel_len, $flank);
    }
  • 作用 ：
    • 逐行读取 VCF 文件内容。
    • 跳过以 ## 开头的注释行。
    • 如果是列头行（以 #C 开头），提取样本信息并存储到 %genotype{head} 中。
    • 对于每个 indel 变异：
      • 计算参考碱基（REF）和变异碱基（ALT）的长度。
      • 计算 indel 的长度（indel_len）和符号（indel_len_s）。
      • 构造一个唯一的 ID（$ID），格式为 染色体编号_位置_indel长度。
      • 将 indel 的位置信息存储到 %ssr_pos 中。
      • 提取该 indel 的基因型信息并存储到 %genotype 中。
      • 调用 get_target_fa 函数获取 indel 两侧的侧翼序列（$seq）。
      • 如果 ALT 是插入变异（长度 > 1），将目标长度设置为 1；否则，目标长度为 indel 的实际长度。
5. 检测 SSR 并生成 Primer3 输入文件
perl 复制代码 
if ($seq) {
    my ($is_have_ssr, $ssr) = &has_ssr($ID, $seq);
    if ($is_have_ssr) {
        $SSR{$ID} = join(",", @{$ssr});
    } else {
        $SSR{$ID} = "--";
    }

    print OUT "SEQUENCE_ID=$ID\n";
    print OUT "SEQUENCE_TEMPLATE=$seq\n";
    printf OUT ("SEQUENCE_TARGET=%d,%d\n", $flank + 1, $indel_len_target);
    print OUT "PRIMER_TASK=pick_detection_primers\n";
    print OUT "PRIMER_PICK_LEFT_PRIMER=1\n";
    print OUT "PRIMER_PICK_RIGHT_PRIMER=1\n";
    print OUT "PRIMER_NUM_RETURN=$PRIMER_NUM_RETURN\n";
    print OUT "PRIMER_MAX_END_STABILITY=250\n";
    print OUT "PRIMER_MIN_SIZE=$PRIMER_MIN_SIZE\n";
    print OUT "PRIMER_OPT_SIZE=$PRIMER_OPT_SIZE\n";
    print OUT "PRIMER_MAX_SIZE=$PRIMER_MAX_SIZE\n";
    print OUT "PRIMER_PRODUCT_OPT_SIZE=125\n";
    print OUT "PRIMER_OPT_GC_PERCENT=50\n";
    print OUT "PRIMER_MIN_TM=50\n";
    print OUT "PRIMER_OPT_TM=55\n";
    print OUT "PRIMER_MAX_TM=65\n";
    print OUT "PRIMER_MAX_NS_ACCEPTED=1\n";
    print OUT "PRIMER_FIRST_BASE_INDEX=1\n";
    print OUT "PRIMER_MIN_GC=40.0\nPRIMER_MAX_GC=60.0\n";
    print OUT "PRIMER_PRODUCT_SIZE_RANGE=$PRIMER_PRODUCT_SIZE_RANGE\n";
    printf OUT ("SEQUENCE_INTERNAL_EXCLUDED_REGION=%d,%d\n", $flank + 1, $indel_len_target);
    print OUT "=\n";

    $n++;
    if ($n > 100) {
        $n = 0;
        $num++;
        close(OUT);
        open OUT, ">$od/split/p_in_$num.txt" or die "$!";
        print SH "primer3_core -p3_settings_file=/share/work/biosoft/primer3/latest/default_settings.txt -default_version=1 -output=$od/split/${num}primers.txt $od/split/p_in_$num.txt\n";
    }
}
  • 作用 ：
    • 如果成功获取了侧翼序列（$seq），则调用 has_ssr 函数检查该序列是否包含 SSR。
    • 如果存在 SSR，将 SSR 信息存储到 %SSR 中；否则，存储 --。
    • 生成 Primer3 的输入文件内容，包括序列 ID、模板序列、目标区域等信息。
    • 每处理 100 个 indel，将 Primer3 输入文件分批保存到不同的文件中，并生成对应的 Shell 命令行。
    • 这样可以避免单个 Primer3 输入文件过大，提高运行效率。

总结

这一部分主要完成了以下任务：

  1. 处理 VCF 文件路径，确保文件可以正确读取。
  2. 初始化相关变量，用于存储 SSR 和基因型信息。
  3. 逐行读取 VCF 文件，提取 indel 信息，并获取 indel 两侧的侧翼序列。
  4. 检测 SSR，并生成 Primer3 的输入文件。
  5. 将 Primer3 输入文件分批保存，生成对应的 Shell 命令行。

第四部分：运行 Primer3 和电子 PCR（e-PCR）

1. 关闭文件句柄并生成 Primer3 脚本
perl 复制代码 
close(OUT);
close(IN);
close(SH);

#system("sh $od/primer3.sh");
system("parallel -j 10 <$od/primer3.sh");
system("cat $od/split/*primers.txt >$od/$outprefix.primers");
  • 作用 ：
    • 关闭所有打开的文件句柄。
    • 使用 parallel 命令并行运行 Primer3，提高效率。-j 10 表示同时运行 10 个任务。
    • 将所有分批生成的 Primer3 输出文件合并为一个文件，命名为 $outprefix.primers。
2. 解析 Primer3 输出文件
perl 复制代码 
$/ = "=\n";
my %Pseq = ();

open IN, "$od/$outprefix.primers" or die "$!";
open OUT, ">$od/$outprefix.primers.xls" or die "$!";
print OUT "#SEQUENCE_ID\tPRIMER_LEFT_SEQUENCE\tPRIMER_RIGHT_SEQUENCE\tPRIMER_PAIR_PRODUCT_SIZE\tPRIMER_LEFT_TM\tPRIMER_RIGHT_TM\tPRIMER_LEFT_GC_PERCENT\tPRIMER_RIGHT_GC_PERCENT\tSSR\tSSR_TYPE\n";
while (my $line = <IN>) {
    chomp $line;
    my @field = split(/\n/, $line);
    my %primers = &get_hash(@field);
    next if !defined($primers{"PRIMER_PAIR_NUM_RETURNED"}) or $primers{"PRIMER_PAIR_NUM_RETURNED"} == 0;

    if ($primers{"PRIMER_PAIR_NUM_RETURNED"} == 1) {
        $Pseq{"$primers{SEQUENCE_ID}"} = [$primers{"PRIMER_LEFT_0_SEQUENCE"}, $primers{"PRIMER_RIGHT_0_SEQUENCE"}];
        print OUT join("\t", ($primers{"SEQUENCE_ID"}, $primers{"PRIMER_LEFT_0_SEQUENCE"}, $primers{"PRIMER_RIGHT_0_SEQUENCE"}, $primers{"PRIMER_PAIR_0_PRODUCT_SIZE"}, $primers{"PRIMER_LEFT_0_TM"}, $primers{"PRIMER_RIGHT_0_TM"}, $primers{"PRIMER_LEFT_0_GC_PERCENT"}, $primers{"PRIMER_RIGHT_0_GC_PERCENT"}, $SSR{$primers{"SEQUENCE_ID"}})) . "\n";
    } else {
        for my $i (0 .. ($primers{"PRIMER_PAIR_NUM_RETURNED"} - 1)) {
            $Pseq{"$primers{SEQUENCE_ID}.$i"} = [$primers{"PRIMER_LEFT_${i}_SEQUENCE"}, $primers{"PRIMER_RIGHT_${i}_SEQUENCE"}];
            print OUT join("\t", ("$primers{SEQUENCE_ID}.$i", $primers{"PRIMER_LEFT_${i}_SEQUENCE"}, $primers{"PRIMER_RIGHT_${i}_SEQUENCE"}, $primers{"PRIMER_PAIR_${i}_PRODUCT_SIZE"}, $primers{"PRIMER_LEFT_${i}_TM"}, $primers{"PRIMER_RIGHT_${i}_TM"}, $primers{"PRIMER_LEFT_${i}_GC_PERCENT"}, $primers{"PRIMER_RIGHT_${i}_GC_PERCENT"}, $SSR{$primers{"SEQUENCE_ID"}})) . "\n";
        }
    }
}
$/ = "\n";
close(OUT);
  • 作用 ：
    • 设置输入记录分隔符 $/ 为 =\n，以便正确解析 Primer3 的输出文件。
    • 打开 Primer3 输出文件和结果文件。
    • 遍历 Primer3 输出文件的每一部分（以 = 分隔），解析引物设计结果。
    • 调用 get_hash 函数将 Primer3 输出转换为哈希表。
    • 如果某个序列没有设计出引物，则跳过。
    • 如果设计出了一对引物，将其存储到 %Pseq 中，并将相关信息写入结果文件。
    • 如果设计出了多对引物，将每对引物的信息分别存储和写入结果文件。
    • 最后，将输入记录分隔符恢复为默认值 \n。
3. 运行电子 PCR（e-PCR）
perl 复制代码 
print "e-PCR -w9 -f 1 -m100 $od/$outprefix.primers.xls D=$PRIMER_PRODUCT_SIZE_RANGE $epcrfa N=0 G=0 T=3 > $od/$outprefix.epcr.out\n";
system("e-PCR -w9 -f 1 -m100 $od/$outprefix.primers.xls D=$PRIMER_PRODUCT_SIZE_RANGE $epcrfa N=0 G=0 T=3 > $od/$outprefix.epcr.out");
  • 作用 ：
    • 构造 e-PCR 命令行，运行 e-PCR 检查引物的特异性。
    • 参数说明：
      • -w9：允许最多 9 个错配。
      • -f 1：只考虑正链。
      • -m100：最大产物长度为 100。
      • D=$PRIMER_PRODUCT_SIZE_RANGE：引物产物长度范围。
      • $epcrfa：用于 e-PCR 的参考基因组文件。
      • N=0：不允许未定义的核苷酸（N）。
      • G=0：不允许间隙。
      • T=3：使用 3 个核苷酸的窗口进行匹配。
    • 将 e-PCR 的输出保存到 $od/$outprefix.epcr.out 文件中。
4. 解析 e-PCR 输出文件
perl 复制代码 
open IN, "$od/$outprefix.epcr.out" or die "$!";
open OUT, ">$od/$outprefix.primers.result.xls" or die "$!";
my %P = ();
while (my $line = <IN>) {
    chomp $line;
    my @tmp = split(/\t/, $line);
    next if $tmp[6] + $tmp[7] > 1;
    $tmp[5] =~ s#/.*$##;

    $P{$tmp[1]}{"$tmp[1]_$tmp[3]_$tmp[4]"} = [$tmp[1], $ssr_pos{$tmp[1]}, $Pseq{$tmp[1]}->[0], $Pseq{$tmp[1]}->[1], $tmp[5], @tmp[6 .. $#tmp], @{$genotype{$tmp[1]}}];
}
close(IN);
print OUT "#PRIMER_ID\tCHROM\tPOS\tREF\tALT\tINDEL_LENGTH\tPRIMER_LEFT_SEQUENCE\tPRIMER_RIGHT_SEQUENCE\tPRIMER_PAIR_PRODUCT_SIZE\tMISM\tGAPS\tPRIMER_LEFT_TM\tPRIMER_RIGHT_TM\tPRIMER_LEFT_GC_PERCENT\tPRIMER_RIGHT_GC_PERCENT\tHAS_SSR\t" . join("\t", @{$genotype{head}}) . "\n";

for my $id (sort keys %P) {
    my @ps = (keys %{$P{$id}});
    if (@ps == 1) {
        print OUT join("\t", @{$P{$id}{$ps[0]}}) . "\n";
    }
}
close(OUT);
  • 作用 ：
    • 打开 e-PCR 输出文件和最终结果文件。
    • 遍历 e-PCR 输出文件的每一行，解析引物的匹配结果。
    • 跳过匹配到多个位置的引物（$tmp[6] + $tmp[7] > 1）。
    • 提取引物的相关信息，并存储到 %P 哈希表中。
    • 将最终结果写入 $od/$outprefix.primers.result.xls 文件，包括引物 ID、染色体位置、引物序列、产物长度、错配数、间隙数、引物退火温度、GC 含量、是否含有 SSR 以及基因型信息。

总结

这一部分主要完成了以下任务：

  1. 关闭文件句柄并生成 Primer3 脚本。
  2. 解析 Primer3 输出文件，提取引物设计结果。
  3. 运行电子 PCR（e-PCR），检查引物的特异性。
  4. 解析 e-PCR 输出文件，生成最终的引物结果文件。

好的，接下来我们分析脚本的第五部分：生成 README 文件和清理临时文件。

第五部分：生成 README 文件和清理临时文件

1. 生成 README 文件
perl 复制代码 
open OUT, ">$od/readme.txt" or die "$!";
my $readme = <<"README";
*primers.result.xls
PRIMER_ID 引物ID （命名规则：indel所在来源序列_indel所在位置start_indel所在位置长度）
CHROM 所在染色体
POS  所在染色体位置
REF  参考基因组碱基
ALT  变异碱基
INDEL_LENGTH  indel长度（负数表示缺失，正数表示插入）
PRIMER_LEFT_SEQUENCE-- 左引物
PRIMER_RIGHT_SEQUENCE-- 右引物
PRIMER_PAIR_PRODUCT_SIZE--  引物产物长度
MISM--  Total number of mismatches for two primers(ePCR)
GAPS--  Total number of gaps for two primers(ePCR)
PRIMER_LEFT_TM-- 退火温度
PRIMER_RIGHT_TM-- 退火温度
PRIMER_LEFT_GC_PERCENT-- GC含量
PRIMER_RIGHT_GC_PERCENT-- GC含量
HAS_SSR-- indel周围是否含有SSR   -- 表示不含有SSR
INFO  vcf注释信息 参照变异检测说明

FORMAT vcf注释信息 参照变异检测说明 http://www.omicsclass.com/article/6  
                AD,"Allelic depths for the ref and alt alleles in the order listed"
                DP,"Approximate read depth (reads with MQ=255 or with bad mates are filtered)"
                GQ,"Genotype Quality"
                GT,"Genotype"   0表示和参考基因型相同（REF），1表示变异基因型（ALT）。
                PL,"Normalized, Phred-scaled likelihoods for genotypes as defined in the VCF specification"
样品基因型    信息，用":"隔开与FORMAT列对应

方法：
1.提取indel左右各$flank bp序列，用primer3设计引物[2]
2.用Epcr ，在参考基因组上电子PCR，去除有多处比对的引物,保证引物扩增的特异性[3]
3.检测indel附近是否有SSR[1]

[1] MISA:Exploiting EST databases for the development and characterization of gene-derived SSR-markers in barley (Hordeum vulgare L.).
[2] Primer3: Untergasser A, Cutcutache I, Koressaar T, Ye J, Faircloth BC, Remm M, Rozen SG (2012) Primer3 - new capabilities and interfaces. Nucleic Acids Research 40(15):e115
[3] Schuler, G. D. (1997). Sequence Mapping by Electronic PCR. Genome Research, 7(5), 541--550.

README

print OUT $readme;
close(OUT);
  • 作用 ：
    • 打开一个文件句柄，准备写入 README 文件。
    • 构造一个字符串 $readme，包含对输出文件格式和内容的详细说明。
    • 写入 README 文件，解释每个字段的含义，包括引物 ID、染色体位置、引物序列、产物长度、错配数、间隙数、退火温度、GC 含量、SSR 信息以及 VCF 注释信息。
    • 说明了脚本运行的方法和引用的工具（如 Primer3 和 e-PCR）。
    • 关闭 README 文件。
2. 清理临时文件
perl 复制代码 
print "head -1 $od/$outprefix.primers.result.xls >$od/head && cat $od/$outprefix.primers.result.xls|grep -v '#' |sort -k2,2 -k3,3n >$od/$outprefix.primers.result.xls.sorted && cat $od/head $od/$outprefix.primers.result.xls.sorted >$od/$outprefix.primers.result.xls && rm $od/head $od/$outprefix.primers.result.xls.sorted\n";
system "head -1 $od/$outprefix.primers.result.xls >$od/head && cat $od/$outprefix.primers.result.xls|grep -v '#' |sort -k2,2 -k3,3n >$od/$outprefix.primers.result.xls.sorted && cat $od/head $od/$outprefix.primers.result.xls.sorted >$od/$outprefix.primers.result.xls && rm $od/head $od/$outprefix.primers.result.xls.sorted";
  • 作用 ：
    • 使用 head 命令提取结果文件的第一行（表头）。
    • 使用 grep 命令过滤掉以 # 开头的注释行。
    • 使用 sort 命令按染色体编号和位置对结果进行排序。
    • 将排序后的结果重新组合为一个完整的文件。
    • 删除临时文件（如 head 文件和排序后的临时文件）。

总结

这一部分主要完成了以下任务：

  1. 生成 README 文件，详细说明输出文件的格式和内容。
  2. 清理临时文件，确保结果文件是有序且整洁的。

第六部分：辅助函数的定义

1. get_hash 函数
perl 复制代码 
sub get_hash {
    my @info = @_;
    my %result = ();
    for my $i (@info) {
        next if $i =~ /^\s*$/;
        my ($k, $v) = split(/=/, $i);
        $result{$k} = $v;
    }
    return %result;
}
  • 作用 ：
    • 将 Primer3 的输出（以 = 分隔的键值对）解析为一个哈希表。
    • 遍历输入的每一行，跳过空行。
    • 使用 split 函数将每一行按 = 分隔为键和值。
    • 将键值对存储到哈希表 %result 中。
    • 返回解析后的哈希表。
2. get_target_fa 函数
perl 复制代码 
sub get_target_fa {
    my $id = shift;
    my $posU = shift;
    my $posD = shift;
    if ($posU <= 0) {
        $posU = 1;
    }
    my $seqobj = $ref{$id};
    my $len = $ref_len{$id};
    return $seqobj->subseq($posU, $len) if $posD > $len;
    my $tri = $seqobj->subseq($posU, $posD);
    return $tri;
}
  • 作用 ：
    • 从参考基因组中提取指定区域的序列。
    • 参数：
      • $id：染色体编号。
      • $posU：起始位置。
      • $posD：结束位置。
    • 如果起始位置 $posU 小于等于 0，则将其设置为 1。
    • 使用 Bio::Seq 对象 $seqobj 提取子序列。
    • 如果结束位置 $posD 超过了染色体长度 $len，则提取从 $posU 到染色体末尾的序列。
    • 否则，提取从 $posU 到 $posD 的序列。
    • 返回提取的序列。
3. has_ssr 函数
perl 复制代码 
sub has_ssr {
    my ($id, $seq) = @_;
    my @SSR;
    my %typrep = (
        '2' => '5',
        '5' => '4',
        '3' => '4',
        '6' => '4',
        '1' => '8',
        '4' => '4'
    );
    my $amb = 200;  # interruptions (max_difference_between_2_SSRs)
    my @typ = sort { $a <=> $b } keys %typrep;

    my $max_repeats = 1; # count repeats
    my $min_repeats = 1000; # count repeats
    my (%count_motif, %count_class); # count
    my ($number_sequences, $size_sequences, %ssr_containing_seqs, %count_motifs); # stores number and size of all sequences examined
    my $ssr_in_compound = 0;

    my ($nr, %start, @order, %end, %motif, %repeats); # store info of all SSRs from each sequence
    $seq =~ s/[\d\s>]//g; # remove digits, spaces, line breaks, etc.
    $id =~ s/^\s*//g; $id =~ s/\s*$//g;
    #$id =~ s/\s/_/g; # replace whitespace with "_"

    $number_sequences++;
    $size_sequences += length $seq;
    for (my $i = 0; $i < scalar(@typ); $i++) { # check each motif class
        my $motiflen = $typ[$i];
        my $minreps = $typrep{$typ[$i]} - 1;
        if ($min_repeats > $typrep{$typ[$i]}) { $min_repeats = $typrep{$typ[$i]}; }; # count repeats
        my $search = "(([acgt]{$motiflen})\\2{$minreps,})";
        while ($seq =~ /$search/ig) { # scan whole sequence for that class
            my $motif = uc $2;
            my $redundant; # reject false type motifs [e.g. (TT)6 or (ACAC)5]
            for (my $j = $motiflen - 1; $j > 0; $j--) {
                my $redmotif = "([ACGT]{$j})\\1{" . int($motiflen / $j - 1) . "}";
                $redundant = 1 if ($motif =~ m/$redmotif/);
            }
            next if $redundant;
            $motif{++$nr} = $motif;
            my $ssr = uc $1;
            $repeats{$nr} = length($ssr) / $motiflen;
            $end{$nr} = pos($seq);
            $start{$nr} = $end{$nr} - length($ssr) + 1;
            # count repeats
            $count_motifs{$motif{$nr}}++; # counts occurrence of individual motifs
            $motif{$nr}{$repeats{$nr}}++; # counts occurrence of specific SSR in its appearing repeat
            $count_class{$typ[$i]}++; # counts occurrence in each motif class
            if ($max_repeats < $repeats{$nr}) { $max_repeats = $repeats{$nr}; };
        }
    }
    if (!$nr) {
        return (0, \@SSR);
    } # no SSRs

    $ssr_containing_seqs{$nr}++;
    @order = sort { $start{$a} <=> $start{$b} } keys %start; # put SSRs in right order
    my $i = 0;
    my $count_seq; # counts
    my ($start, $end, $ssrseq, $ssrtype, $size);
    while ($i < $nr) {
        my $space = $amb + 1;
        if (!$order[$i + 1]) { # last or only SSR
            $count_seq++;
            my $motiflen = length($motif{$order[$i]});
            $ssrtype = "p" . $motiflen;
            $ssrseq = "($motif{$order[$i]})$repeats{$order[$i]}";
            $start = $start{$order[$i]}; $end = $end{$order[$i++]};
            next;
        }
        if (($start{$order[$i + 1]} - $end{$order[$i]}) > $space) {
            $count_seq++;
            my $motiflen = length($motif{$order[$i]});
            $ssrtype = "p" . $motiflen;
            $ssrseq = "($motif{$order[$i]})$repeats{$order[$i]}";
            $start = $start{$order[$i]}; $end = $end{$order[$i++]};
            next;
        }
        my ($interssr);
        if (($start{$order[$i + 1]} - $end{$order[$i]}) < 1) {
            $count_seq++; $ssr_in_compound++;
            $ssrtype = 'c*';
            $ssrseq = "($motif{$order[$i]})$repeats{$order[$i]}($motif{$order[$i + 1]})$repeats{$order[$i + 1]}*";
            $start = $start{$order[$i]}; $end = $end{$order[$i + 1]};
        } else {
            $count_seq++; $ssr_in_compound++;
            $interssr = lc substr($seq, $end{$order[$i]}, ($start{$order[$i + 1]} - $end{$order[$i]}) - 1);
            $ssrtype = 'c';
            $ssrseq = "($motif{$order[$i]})$repeats{$order[$i]}$interssr($motif{$order[$i + 1]})$repeats{$order[$i + 1]}";
            $start = $start{$order[$i]}; $end = $end{$order[$i + 1]};
            #$space -= length $interssr
        }
        while ($order[++$i + 1] and (($start{$order[$i + 1]} - $end{$order[$i]}) <= $space)) {
            if (($start{$order[$i + 1]} - $end{$order[$i]}) < 1) {
                $ssr_in_compound++;
                $ssrseq .= "($motif{$order[$i + 1]})$repeats{$order[$i + 1]}*";
                $ssrtype = 'c*';
                $end = $end{$order[$i + 1]};
            } else {
                $ssr_in_compound++;
                $interssr = lc substr($seq, $end{$order[$i]}, ($start{$order[$i + 1]} - $end{$order[$i]}) - 1);
                $ssrseq .= "$interssr($motif{$order[$i + 1]})$repeats{$order[$i + 1]}";
                $end = $end{$order[$i + 1]};
                #$space -= length $interssr
            }
        }
        $i++;
    } continue {
        push @SSR, "$ssrseq";
    }

    my $has_ssr = @SSR;
    return ($has_ssr, \@SSR);
}
  • 作用 ：
    • 检测给定序列中是否存在简单序列重复（SSR）。
    • 参数：
      • $id：序列 ID。
      • $seq：待检测的 DNA 序列。
    • 使用正则表达式匹配不同类型的 SSR（如单核苷酸重复、二核苷酸重复等）。
    • 检测到 SSR 后，记录其位置、重复次数和类型。
    • 如果检测到多个 SSR，会检查它们之间的距离是否超过阈值（$amb），并相应地分类为复合 SSR 或简单 SSR。
    • 返回一个布尔值（是否检测到 SSR）和一个包含 SSR 信息的数组引用。

总结

这一部分定义了三个辅助函数：

  1. get_hash：解析 Primer3 的输出，将其转换为哈希表。
  2. get_target_fa：从参考基因组中提取指定区域的序列。
  3. has_ssr：检测序列中是否存在 SSR，并返回相关信息。

这些函数在脚本的主逻辑中被多次调用，用于处理数据和生成引物设计所需的输入。

相关推荐
天天代码码天天18 分钟前
PP-OCRv5 C++封装DLL C#调用源码分享
开发语言·c++·c#·ocr
立秋678920 分钟前
用 Python 模拟下雨效果
开发语言·python·pygame
不知道叫什么呀24 分钟前
【C语言】指针全局变量
c语言·开发语言
有很多梦想要实现33 分钟前
Nest全栈到失业(四):半小时图书管理系统-Book
开发语言·前端·javascript·数据库·typescript·webstorm
庄小焱37 分钟前
Java开发经验——阿里巴巴编码规范实践解析8
java·开发语言
丁值心1 小时前
5.29打卡
开发语言·人工智能·python·机器学习·支持向量机
我有一个魔盒1 小时前
python uv包管理器使用
开发语言·python·uv
小鹿鹿啊1 小时前
C语言编程--20.合并K个升序列表
c语言·开发语言
归途醉染1 小时前
C# Costura.Fody 排除多个指定dll
开发语言·c#
TTBIGDATA2 小时前
Step9—Ambari Web UI 初始化安装 （Ambari3.0.0）
大数据·hadoop·python·ambari·bigtop·ttbigdata·janettr
热门推荐
01YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】02KGG转MP3工具|非KGM文件|解密音频03从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑04DeepSeek各版本说明与优缺点分析05【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！06组基轨迹建模 GBTM的介绍与实现（Stata 或 R）07Coze扣子平台完整体验和实践（附国内和国际版对比）08VMware虚拟机安装Win7专业版保姆级教程（附镜像包）09苍穹外卖面试总结10【2025年最新】OpenWrt 更换国内源的指南（图形界面版)