Биоинформатический пакет EMBOSS и командная оболочка Bash

Bash EMBOSS

Команда InfoSeq биоинформатического пакета EMBOSS

EMBOSS - акроним от European Molecular Biology Open Software Suite. EMBOSS - это свободное програмное обеспечение с открытым кодом, пакет, специально разработанный для нужд молекулярной биологии и биоинформатического сообщества.

Мною приведено описание команд/программ:

• Infoseq
• Еntret
• Showdb
• Needle
• Stretcher
• Water
• Matcher
• Seqret
• Consambig
• Distmat
• Plotcon

1. Открываю терминал linux.

В Linux, используя gnome-terminal, подключаюсь к серверу kodomo:

2. Создаю директорию Pr1.

Командой mkdir в своей домашней директории создаю директорию Term2, в ней - директорию Block1, в ней - директорию Practices, в ней - директорию Pr1:

Перехожу в эту директорию:

3. Получаю информацию о своем белке.

Попробовав команду:

выдавшую на терминал информацию о записи RS3_ECOLI банка SwissProt, записываю информацию о своем белке в файл с именем '1WPV'.info:

Символ > перенаправляет стандартный вывод (stdout) команды в файл.

Проверяю результат:

На всякий случай: гиперссылки выделены голубым.

USA	Database	Name	Accession	Type	Length	Organism	Description
sw-id:HUTP_BACSU	sw	HUTP_BACSU	P10943	P	148	Bacillus subtilis	Hut operon positive regulatory protein

4. Записываю информацию о программе infoseq в файл.

Команда infoseq -help (а также man infoseq) выдает на терминал информацию о программе "infoseq". На терминал выдаются и stdout, и stderr. Но команда infoseq -help > infoseq.help приводит к созданию пустого файла. Символ > перенаправляет в файл только stdout, следовательно, информация о программе "infoseq" на терминале представляла собой stderr поток. Отправляю его в файл командой:

Существуют следующие файловые дескрипторы:

0 - stdin - стандартный поток ввода;

1 - stdout - стандартный поток вывода;

2 - stderr - стандартный поток ошибок.

Для операций с этими дескрипторами, используют символы:

> (перенаправление вывода, используемое и в пункте 3),

>> (добавление вывода в конец файла),

< (перенаправление ввода),

& указывает на дескриптор stdout (&>myfile - перенаправление вывода и ошибок в myfile; 2>&1 - перенаправление вывода ошибок на стандартный вывод).

5. Используя "*" в имени последовательности нахожу такие же белки в других видах рода Bacillus.

В идентификаторе HUTP_BACSU, код вида: BACSU образован из BACillus SUbtilis. Поэтому использую команду:

Число строк в ответе равно 20. Вприципе, вместо звездочки можно было использовать, например, ??. Звездочка *, вопросительный знак ? и квадратные скобки [ ] используются для "масок" имен файлов. * - любой объект, ? - один любой символ, [...] - любой символ из указанных в скобках, например, [а-z] - любая строчная буква, а [a-z0-9A-Z] - любая буква или цифра.

6. Повторяю команду из предыдущего задания, используя разные опции изменения выдачи результата.

[-sequence] - стандартный определитель - показывает имя последовательности, различные параметры и примечания (заданные США).

Команда:

дает тот же результат, что и infoseq sw:hutp_bac*.

Дополнительные определители:

-outfile - при вводе имени файла программа записывает в него детали последовательности.

Например, при вводе команды:

запрашивается ввод последовательности (2 попытки). При вводе: создается файл sw:hutp_bac* с информацией о hutp_bacac.

-html - данные выводятся как html-таблица.

Команда:

приводит к выводу таблицы (которая после немного отформатирована мной):

USA	Database	Name	Accession	Type	Length	Organism	Description
sw-id:HUTP_BACA2	sw	HUTP_BACA2	A7ZAE3	P	148	Bacillus amyloliquefaciens (strain FZB42)	Hut operon positive regulatory protein
sw-id:HUTP_BACAA	sw	HUTP_BACAA	C3P4M3	P	146	Bacillus anthracis (strain A0248)	Hut operon positive regulatory protein
sw-id:HUTP_BACAC	sw	HUTP_BACAC	C3L981	P	146	Bacillus anthracis (strain CDC 684 / NRRL 3495)	Hut operon positive regulatory protein
sw-id:HUTP_BACAH	sw	HUTP_BACAH	A0RH40	P	146	Bacillus thuringiensis (strain Al Hakam)	Hut operon positive regulatory protein
sw-id:HUTP_BACAN	sw	HUTP_BACAN	Q81Y44	P	146	Bacillus anthracis	Hut operon positive regulatory protein
sw-id:HUTP_BACC0	sw	HUTP_BACC0	B7JI81	P	146	Bacillus cereus (strain AH820)	Hut operon positive regulatory protein
sw-id:HUTP_BACC1	sw	HUTP_BACC1	Q733H7	P	146	Bacillus cereus (strain ATCC 10987)	Hut operon positive regulatory protein
sw-id:HUTP_BACC2	sw	HUTP_BACC2	B7ISJ3	P	146	Bacillus cereus (strain G9842)	Hut operon positive regulatory protein
sw-id:HUTP_BACC3	sw	HUTP_BACC3	C1EN94	P	146	Bacillus cereus (strain 03BB102)	Hut operon positive regulatory protein
sw-id:HUTP_BACC4	sw	HUTP_BACC4	B7HCD1	P	146	Bacillus cereus (strain B4264)	Hut operon positive regulatory protein
sw-id:HUTP_BACC7	sw	HUTP_BACC7	B7HKJ2	P	146	Bacillus cereus (strain AH187)	Hut operon positive regulatory protein
sw-id:HUTP_BACCE	sw	HUTP_BACCE	Q8GCJ0	P	132	Bacillus cereus	Hut operon positive regulatory protein (Fragment)
sw-id:HUTP_BACCN	sw	HUTP_BACCN	A7GR01	P	146	Bacillus cereus subsp. cytotoxis (strain NVH 391-98)	Hut operon positive regulatory protein
sw-id:HUTP_BACCQ	sw	HUTP_BACCQ	B9IUH1	P	146	Bacillus cereus (strain Q1)	Hut operon positive regulatory protein
sw-id:HUTP_BACCR	sw	HUTP_BACCR	Q81AC5	P	146	Bacillus cereus (strain ATCC 14579 / DSM 31)	Hut operon positive regulatory protein
sw-id:HUTP_BACCZ	sw	HUTP_BACCZ	Q637H7	P	146	Bacillus cereus (strain ZK / E33L)	Hut operon positive regulatory protein
sw-id:HUTP_BACHD	sw	HUTP_BACHD	Q9KBE7	P	147	Bacillus halodurans (strain ATCC BAA-125 / DSM 18197 / FERM 7344 / JCM 9153 / C-125)	Hut operon positive regulatory protein
sw-id:HUTP_BACHK	sw	HUTP_BACHK	Q6HFE8	P	146	Bacillus thuringiensis subsp. konkukian (strain 97-27)	Hut operon positive regulatory protein
sw-id:HUTP_BACSU	sw	HUTP_BACSU	P10943	P	148	Bacillus subtilis	Hut operon positive regulatory protein
sw-id:HUTP_BACWK	sw	HUTP_BACWK	A9VPT9	P	146	Bacillus weihenstephanensis (strain KBAB4)	Hut operon positive regulatory protein

Продвинутые определители:

-[no]columns - настройка вывода информации в виде четких, выровненных колонок, либо в виде записей с разделителями, которые настраиваются опцией -delimeter.

Командой:

получаю запись в виде строк, не разделенную на колонки.

-delimeter - [| - по умолчанию] обычно один символ, используемый для разделения индивидуальных записей в файле вывода.

-only - помогает сократить файл вывода. Можно также использовать -nohead, -noname, -nolength, -noacc, -notype, -nopgc, -nodesc и др., что позволяет исключить выбранный параметр.

Например, используя команду

получаю колонку с длинами последовательностей.

-[no]heading - настройка показа заголовков колонок.

Общий определитель:

-help.

7. Создаю описание infoseq и ее параметров (см. пункт 6).

Команда entret - получает записи из неструктурированных баз данных и файлов. Читает одну или более полных последовательностей из базы данных или файла и записывает их в текстовый файл.

Например, чтобы получить документ для моего белка, задаю команду:

Далее необходимо ввести имя файла:

В итоге в моей дирректории появился файл hutp_bacsu.entret.

Команда showdb - выдает информацию из доступных баз данных. Не требует обязательных аргументов. Отображает таблицу с названиями, содержимым и методами доступа к последовательностям, доступных для установленного пакета EMBOSS.

Командой:

получаю вывод информации в виде html-таблицы:

Name	Type	ID	Qry	All	Comment
ref100	Protein	OK	OK	OK	UniProt Reference Clusters - UniRef100
ref50	Protein	OK	OK	OK	UniProt Reference Clusters - UniRef50
ref90	Protein	OK	OK	OK	UniProt Reference Clusters - UniRef90
sw	Protein	OK	OK	OK	UniProtKB/Swiss-Prot Release 2011_12 of 14-Dec-2011
trembl	Protein	OK	OK	OK	UniProtKB/TrEMBL Release 2011_12 of 14-Dec-2011
embl	Nucleotide	OK	OK	-	EMBL from EBI SRS server
genbank	Nucleotide	OK	OK	OK	GenBank from MRS on CMBI

Командой:

получаю информацию о базе данных ref50:

Name	Type	ID	Qry	All	Comment
ref50	Protein	OK	OK	OK	UniProt Reference Clusters - UniRef50

С помощью -only можно сократить файл вывода, использовав необходимые параметры: -heading, -type, -id, -query, -all, -comment (-full отображает всю информацию).

Имется множество других параметров, например -nonucleic или -noprotein исключает из списка базы данных нуклеиновых кислот или белковых последовательностей.

Программы парного выравнивания

В EMBOSS есть четыре программы, выдающие парное выравнивание: needle, water, stretcher и matcher. Все четыре программы можно запустить (с параметрами по умолчанию) примерно одинаковым образом. Например, чтобы выровнять программой stretcher последовательности, находящиеся в файлах seq1.fasta и seq2.fasta, нужно выполнить команду:

Здесь alignment.stretcher — имя файла, в котором окажется результат. Общий синтаксис:

(если "-auto" опустить, то needle и water спросят, какие применять штрафы за пробелы). Здесь usa1 и usa2 — адреса двух последовательностей, outfile — имя выходного файла.

Программы needle и stretcher выдают оптимальное полное выравнивание.

Программа needle.

Стандартные определители:

[-asequence] - имя последовательности, дополнительный формат или адрес (США).

[-bsequence] - имя последовательности(тей), дополнительный формат или адрес (США).

-gapopen - штраф за открытие гэпа (по умолчанию равен 10.0), может быть от 1.0 до 100.0.

-gapextend - штраф за продление гэпа (по умолчанию равен 0.5), может быть от 0.0 до 10.0.

[-outfile] - название выходного файла с выравниванием.

Дополнительные определители:

-datafile - матрица весов (по умолчанию используется EBLOSUM62 для белков и EDNAFULL для ДНК).

-endweight - применение штрафа за концевой геп.

-endopen - штраф за открытие конечного гэпа (по умолчанию равен 10.0), может быть от 1.0 до 100.0.

-endextend - штраф за продление конечного гэпа (по умолчанию равен 0.5), может быть от 0.0 до 10.0.

Используя команду:

Получаю файл prot.needle с полным выравниванием, применяя матрицей весов замен BLOSUM62, штраф за открытие гэпа, равным 11, а за продолжение - 1 (параметры, используемые по умолчанию в BLASTp).

Программа stretcher.

Стандартные определители:

[-asequence] - имя последовательности, дополнительный формат или адрес (США).

[-bsequence] - имя последовательности, дополнительный формат или адрес (США).

[-outfile] - название выходного файла с выравниванием.

Дополнительные определители:

-datafile - матрица весов (по умолчанию используется EBLOSUM62 для белков и EDNAFULL для ДНК).

-gapopen - штраф за открытие гэпа (по умолчанию равен 12 для белков, 16 - для нуклеиновых кислот).

-gapextend - штраф за продление гэпа (по умолчанию равен 2 для белков, 4 - для нуклеиновых кислот).

Используя команду:

Получаю выравнивание shortseqs.stretcher.

Программа water выдает оптимальное частичное выравнивание.

Стандартные определители:

[-asequence] - имя последовательности, дополнительный формат или адрес (США).

[-bsequence] - имя последовательности, дополнительный формат или адрес (США).

[-outfile] - название выходного файла с выравниванием.

Дополнительные определители:

-datafile - матрица весов (по умолчанию используется EBLOSUM62 для белков и EDNAFULL для ДНК).

Используя команду:

Получаю файл prot.water с частичным выравниванием, применяя матрицей весов замен BLOSUM62, штраф за открытие гэпа, равным 11, а за продолжение - 1 (параметры, используемые по умолчанию в BLASTp).

Программа matcher выдаёт несколько (по умолчанию три) частичных выравниваний с наибольшим весом.

Стандартные определители:

[-asequence] - имя последовательности, дополнительный формат или адрес (США).

[-bsequence] - имя последовательности, дополнительный формат или адрес (США).

[-outfile] - название выходного файла с выравниванием.

Дополнительные определители:

-datafile - матрица весов (по умолчанию используется EBLOSUM62 для белков и EDNAFULL для ДНК).

-alternatives - количество альтернативных выравниваний (по умолчанию строится одно).

-gapopen - штраф за открытие гэпа (по умолчанию равен 14 для белков, 16 - для нуклеиновых кислот).

-gapextend - штраф за продление гэпа (по умолчанию равен 4).

Используя команду:

Получаю файл aligns.matcher, содержащий 4 локальных выравнивания.

Программа seqret читает и записывает запрошенные последовательности в файл.

Стандартные определители:

[-sequence] - имя последовательности, дополнительный формат или адрес (США).

[-outseq] - имя и формат выходного файла.

Продвинутые определители:

-feature - использование дополнительной информации.

-firstonly - остановка после чтения одной последовательности.

Используя команду:

Получаю файл hutp_bacsu.seqret.

Программы множественного выравнивания

Программа consambig создает неоднозначную согласованную (консенсусную) последовательность из множественного выравнивания.

Программа подсчитывает консенсусные последовательности из множественного выравнивания. Для того чтобы получить консенсус, а.о. или нуклеотиды в каждой позиции сравниваются с возможно неоднозначными. Консенсусная последовательность использует минимальный код пары.

Стандартные определители:

[-sequence] - файл, содержащий последовательность выравнивания.

[-outseq] - имя и формат выходного файла с последовательностью.

Дополнительные определители:

-name - название консенсусной последовательности (любая строка).

Использую команду:

Получаю файл delta_consambig.fasta.

Программа distmat создает матрицу эволюционных расстояний для последовательности множественного выравнивания.

Программа вычисляет расстояние между парами последовательностей, при этом предлагается множество методов оценки эволюционных расстояний. Выходной файл представляет собой матрицу расстояний для набора последовательностей.

Описание программы довольно большое, включает ряд параметров.

Использую команду:

Получаю файл delta.distmat.

Программа plotcon характеризуется графической выдачей, строит консервативность выравнивания последовательностей, вычисляя схожесть в определённых участках выравнивания с учётом весов замен, взятых из матрицы схожести.

Описание программы довольно большое, включает ряд параметров.

По умолчанию программа выдает картинку на экран монитора, но связь посредством Putty этого не позволяет, поэтому на вопрос "Graph type" нужно отвечать не по умолчанию ("x11"), а указать один из возможных форматов выходного файла: "data", "ps", "gif", "png", "pdf". Если указать "data", программа сформирует текстовый файл с таблицей, пригодный для импорта в Excel. В остальных случаях будет создан графический файл соответствующего формата.

Использую команду:

Получаю файл plotcon.1.gif, представляющий собой график:

Командная оболочка Bash

Bash (от Bourne Again Shell, усовершенствованная и модернизированная вариация командной оболочки Bourne shell) - одна из наиболее популярных современных разновидностей командной оболочки UNIX; основная облочка для работы в командной строке в большинстве Linux-систем.

8. Нахожу у себя файл имя которого содержит "bash_history".

C помощью команды find нахожу в своей домашней директории файл, содержащий в своем имени строку "bash_history":

Здесь ~ - указанная директория (плюс ее субдиректории), '*bash_history*' - соответственно, имя потернного файла, -name - используемый параметр поиска (по имени файла).

По поводу кавычек:

".." - выражение объединяется и интерпретируется;

'..' - выражение объединяется, но не интерпретируется;

`..` - выражение выполняется.

В итоге получаю путь к данному файлу:

Но команда ls изначально не показывает этот файл, являющийся скрытым. Скрытые файлы большей частью содержат дополнительные настройки для программ, диспетчеров окон, оболочек и т.п. Скрыты они для предотвращения случайных вмешательств пользователя, уменьшения количества ненужной информации при повседневном поиске.

В файл .bash_history, находящийся в домашнем каталоге, bash записывает историю команд, чтобы она сохранялась между сеансами работы пользователя. Делается это в момент завершения оболочки: накопленная за время работы история дописывается в конец этого файла. При следующем запуске bash считывает .bash_history целиком. Количество запоминаемых команд в .bash_history по умолчанию обычно ограничено 500-ми командами. Просмотреть историю можно, выполнив команду history. Символ ! можно использовать для вызова выполненной ранее команды. Например !14 запускает 14-ую команду из листа истории, а !! - последнюю команду.

Чтобы включить скрытые директории и файлы (начинающиеся с точки) в список можно использовать команду:

Ну или же: для просмотра списка со скрытыми каталогами и файлами и некоторой информацией о них.

9. Нахожу у себя файл с пробелом в имени.

Воспользовалась командой find, находясь в домашней директории:

. указывает на текущую дирректорию и ее субдиректории, с ней пути к файлам выглядят более компактно. Оказалось, у меня довольно много файлов с пробелами. Чтобы не испортить ничего нужного, выберу файл из Term1:

Например:

Переименовываю:

Проверяю, файл переименовался.

Команда wc - счетчик символов, слов и строк. По умолчанию результатом выполнения команды является отображение количества символов, слов и строк в заданном файле. Если файл не указан или указано значение -, то команда считывает стандартный ввод.

Некоторые опции:

-c (--bytes) - подсчитывает количество байтов;

-m (--chars) - подсчитывает количество символов;

-l (--lines) - подсчитывает количество строк;

-L (--max-line-length) - подсчитывает длину самой длинной строки;

-w (--words) - подсчитывает количество слов.

Например команда:

Результат:

224 1434 11030 hutp_bacsu, где 224 - число строк, 1434 - число слов, 11030 - число букв в файле.

Bash EMBOSS