Учебная страница курса биоинформатики,
год поступления 2023

Семестры Студенты Преподаватели

• 2024
• 2022
• 2021
• 2020
• 2019
• 2018
• 2017
• 2016

• ...

Упражнения

Упражнения обязательно нужно выполнить полностью. Но в отчете их отражать не нужно.

Названия команд приведены не случайно. Прочитайте задание, а потом читайте man для указанных команд и придумывайте, как упражнение можно выполнить. Часто будет нужна не команда в чистом виде, а модифицированная какой-нибудь опцией (а иногда и несколькими).

1. (mkdir) Создать папку ~/term1/pr5, дальше все делайте в этой папке.

2. (less) Посмотреть содержимое файла ~/term1/genome/*_feature_table.txt (далее FT), который вы получили при выполнении практикума 2.

3. (man, less) Разобраться, что делают опции -S, -U и -N команды less, опробовать их на FT. Разобраться, как устроен этот файл.

4. (cut) Вырезать первую колонку файла FT, сохранить её в файл col1.txt. Вырезать две первые колонки из FT, сохранить в cols.tsv.

5. (wc) Сколько строк в файле FT? Убедитесь, что количество строк в col1.txt и cols.tsv не отличается.

6. (sort) Определить, какие уникальные пары значений встречаются в колонках из cols.tsv (вывести в терминал).

7. (sort, less) Как в предыдущем, но сразу перенаправить в less.

8. (sort, uniq) Посчитать (и вывести в терминал) количество вхождений для каждого уникального значения из файла col1.txt. Сколько в исходном файле было строчек CDS? А сколько tRNA?

9. (sort, uniq) Аналогично предыдущему, но для файла cols.tsv (то есть нужно вывести количество встреч каждой уникальной пары значений из колонок).

10. * (sort, uniq, sort, less) Отсортируйте выдачу из предыдущего пункта (с помощью конвейера, без записи в файл) по количеству встреч пар. Посмотрите результат в less (не сохраняйте в файл и не печатайте просто так в терминал).

11. (head) Сохраните 5 первых строк из файла FT в файл rows.tsv.

12. (tail, less) Перенаправьте в less все строки FT, кроме первой (иногда нужно удалить строку-заголовок).

13. (head, tr) Выведите (в терминал или в less) заголовки столбцов из FT, по одному в строке.

14. * (cut, tr, sort, uniq) Сколько в файле FT всего строчек, для которых в первой колонке указана какая-нибудь РНК?

15. (cut, tr) Создайте файл coords.tsv, который будет содержать табличку из трех колонок: start, end и strand, которые будут идентичны соответствующим колонкам файла FT за исключением того, что в колонке strand будут не + и -, а 1 и 0 (для прямой и обратной цепи соответственно).

16. * (tail, cut, tr, sort, wc) Посчитайте, сколько уникальных координат (начала или конца участка генома) в файле FT. На выходе должно быть одно число.

Упражнения с * сложнее, чем остальные. Наверно, они получатся не у всех. Но попытаться стоит.

После выполнения упражнений можете переходить к домашним заданиям.

Задания практикума 5

Мягкий дедлайн – 01:00 AM 13 октября, жесткий дедлайн – 01:00 AM 20 октября. После мягкого дедлайна штраф 0.5 балла, после жесткого – 2 балла.

Результатом выполнения заданий должно быть два текстовых файла:

1. ~/term1/credits/script_pr5.sh, этот текстовый файл должен содержать команды, описанные ниже, по одной на каждый пункт задания.

2. ~/term1/credits/script_pr5.out – файл, содержащий выдачу сценария из предыдущего пункта, запущенного для таблицы локальных особенностей вашей бактерии/археи.

bash 'script_pr5.sh'

Все команды сценария должны будут работать с таблицей локальных особенностей вашей бактерии или археи. Они должны предполагать, что к файлу можно получить доступ по маске ../genome/*_feature_table.txt. Это позволит вам тестировать сценарий прямо в папке ~/term1/credits. А я смогу проверить его на тестовой таблице, предварительно скопировав к себе. То есть, например, в сценарии может быть команда head -1 ../genome/*_feature_table.txt

Команда 1

Эта команда (на самом деле, конечно, конвейер из команд) должна выводить идентификатор сборки генома (то, что содержится в столбце assembly). Все значения в этом столбце в вашем файле должны быть одинаковыми (можете в этом убедиться, на всякий случай), поэтому можете вырезать нужное поле из любой строки, кроме заголовка. Пример выдачи:

GCF_000008865.2

Команда 2

Эта команда должна выводить длины 4х самых длинных продуктов генов (столбец product_length), отсортированные по убыванию длины без повторений. Никак дополнительно фильтровать строчки таблицы не нужно, пустые значения сами окажутся внизу при правильной сортировке. А вот от заголовка нужно предварительно избавиться. Пример выдачи:

5291
3169
2793
2113

Команда 3

Эта команда должна печатать две строки, в которых содержится число участков генома (т.е. строк в таблице локальных особенностей) на каждой из двух цепей ДНК. Опять же, не забудеть удалить заголовок, строки фильтровать не нужно. Порядок строк в выдаче неважен. Пример выдачи (в выдаче не должно быть пробелов):

5438+
5260-

Команда 4 (доп.)

Как команда 3, но строчки с повторяющимися координатами нужно считать только один раз. Порядок строк в выдаче неважен. Пример формата выдачи:

2747+
2671-

Результат

Таким образом, содержимое файла ~/term1/credits/script_pr5.out в данном конкретном случае будет следующим:

GCF_000008865.2
5291
3169
2793
2113
5438+
5260-

Или (если выполнено дополнительное задание):

GCF_000008865.2
5291
3169
2793
2113
5438+
5260-
2747+
2671-

Этот пример вполне реальный. Именно на этой геномной сборке и буду проверять ваши сценарии. Таблица локальных особенностей есть на kodomo, файл /P/y23/term1/GCF_000008865.2_ASM886v2_feature_table.txt.