perl入门08：正则表达式（生信小例子）

1、格式化fasta序列

目的：将fasta文件中，每行序列碱基数设置为我们预期的数目。
思路：每隔70个碱基插入一个换行符。

#!/usr/bin/perl -w
use strict;

open FA,"<$ARGV[0]";
$/=">";   #以大于号为分隔符
<FA>;  # 大于号赋值给空变量
while (<FA>) {
    chomp;
    my ($id,$seq)=(split /\n/,$_,2);  #分成ID与序列两个部分
    $seq=~ s/\n//g;  #删除序列中的全部换行符
    $seq =~ s/(\w{70})/$1\n/g;
# \w{70} 表示70个长度字符串，储存于$1中
# 可以在这里设置成参数，灵活设置预期格式的fasta序列
    print ">$id\n$seq";
}

注意$/=">"表示以大于号分隔符，则第一个分隔字段为>之前的内容，包括该>，第二个字段就是>之后的内容。因此对于fasta文件分隔的话，第一个字段仅是一个>

perl 001.pl seq.fa | more
perl 001.pl seq.fa > seq70.fa

格式化序列

2、数字添加千分位

#!/usr/bin/perl -w
use strict;

my $number=1234567.89;

my $result=&comma ($number);
print "$result\n";


sub comma {
    my $data=shift @_;   #传递数字
    1 while $data =~ s/^(-?\d+)(\d\d\d)/$1,$2/;  
    # 加入数字1 设置为死循环，直到不满足满足条件
    #一次添加1个千分符，从右往左添加，即千位到百万位.....
    # -? 表示考虑负数情况 
    return $data;
}

添加千分位

可以设置参数 $ARGV[0]或者从屏幕输入<STDIN>灵活操作。

3、统计fasta文件信息

目的：

• 统计fasta文件中，每条序列的长度、GAP数（N碱基）、GC含量；
• 统计fasta文件中数列数、总长、总GAP数、平均序列长、最长/短序列长度、总GC含量。

#!/usr/bin/perl -w
use strict;

my $total_num=0;
my $total_len=0;
my $total_gap=0;
my $total_gc=0;
my @len_array=(); #数组存放所有序列的长度值

print "ID\tGeneLength(bp)\tGAPLength(bp)\tGCcontent(%)\n";   
# 添加表头信息

$/=">";
open IN,"<$ARGV[0]",or die "can not open the fiel! $!\n";
<IN>;  #每次把 大于号赋给空变量
while (<IN>) {
    next if (/^\s+$/);   #如果为空行则不处理
    chomp;
    my ($id,$seq) = (split /\n/,$_,2)[0,1];  #id与序列分开
    $seq=~ s/\n//g;   #删去序列中的全部换行符
    my $len=length ($seq);  #length函数计算序列长度
    push @len_array,$len;  #将该长度值录入到@len_array数组中
    $total_len+=$len;  #计算基因集序列总长

    my $gc+=($seq=~s/G/G/g+$seq=~s/C/C/g);  
#gc含量即统计发生G-C或C-G替换的次数，即赋给变量的值；别忘了g修饰符
    my $GC=($gc/$len)*100;    #计算百分比
    $total_gc+=$gc;   #计算总的GC数

    my $gap+=($seq=~s/N/N/g);   #同上
    $total_gap+=$gap;  #计算总gap数

    $total_num++;   #每循环一次，$total_num值加一

    print "$id\t$len\t\t$gap\t";
    printf "%.2f\n","$GC";   #利用printf 格式化小数位数

# 以上对每一条序列得到情况进行了统计，并输出结果
}
#   接下来对总体情况进行统计
print "\nTotal Stat:\n";
print "Total Number (#):$total_num\n";
print "Total length (bp):$total_len\n";

my $avg_len=($total_len/$total_num);
printf "Average Length (bp): %d\n","$avg_len";

my @sort_len=sort {$a<=>$b} @len_array;
# {$a<=>$b} 设置将按照@len_array中序列长度值，从小到大排序
print "Minimum Length (bp):$sort_len[0]\n";
print "Maximum Length (bp):$sort_len[-1]\n";

print "Gap(N)(bp):$total_gap\n";

my $total_GC=($total_gc/$total_len)*100;
printf "GC content(%%) : %.2f\n","$total_GC";

perl 3.pl gene.ffn
perl 3.pl gene.ffn > stat.txt

3.pl-01
3.pl-02