-
Notifications
You must be signed in to change notification settings - Fork 0
/
saarekkeet.py
506 lines (370 loc) · 16.5 KB
/
saarekkeet.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
'''
Python -ohjelmointia biotieteilijöille harjoitustyö 2017.
Etsitään mahdollisia CpG-saarekkeita annetuista genomeista.
CpG-saarekkeet ovat genomissa sellaisia alueita, joissa CG-nukleotidiparien
osuus on huomattavan suuri verrattuna C- ja G-nukleotidien kokonaismäärään.
CpG-saareke ei ole kuitenkaan yksikäsitteisesti määritelty.
(https://en.wikipedia.org/wiki/CpG_site).
@author Toni Räsänen
'''
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import Bio.Entrez
import Bio.SeqIO
import numpy as np
import matplotlib.pyplot as plt
class ResearchSubject:
'''
Luokka pyrkii kokoamaan yhteen tietoja tutkittavasta genomista.
Luokka sisältää genomin nimen, sekvenssin ja listan mahdollisista löydetyistä
CpG-saarekkeista. Luokassa on sähköpostiosoite jota käytetään genomin sekvenssin
hakemisessa internet-palvelusta. Luokka sisältää myös tiedon saarekkeiden
haussa käytetyistä raja-arvoista; näyteikkunan aloituskoko (window_size),
CG-pitoisuus (gc_percentage_threshold) ja (“Obs/Exp”) CpG-parien osuus
(gc_percentage_threshold).
Luokalla on metodi display jolla se tulostaa genomin tiedot. Tätä käytetään
vertailtaessa tuloksia saareke-etsinnän lopuksi.
Luokalla on metodi populate_subject_from_input, jota käytetään
genomi-instanssien luomiseen.
'''
genome_name = ''
genome_sequence = ''
researcher_email = ''
window_size = 0
cpg_ratio_threshold = 0
cg_percentage_threshold = 0
possible_cpg_islands = []
def populate_subject_from_input(self):
'''
Käytetään genomi-instanssien luomiseen.
Kysytään käyttäjältä tietoja tutkittavasta genomista.
Haetaan genomin tunnisteen perusteella genomille sekvenssi internet-
palvelusta. Jos genominen nimeksi annetaan "test" luetaan genomille
sekvenssi testitiedostosta (SH1_genome.fasta).
'''
self.genome_name = input(' Tutkittavan genomin nimi (tai Q niinkuin quit): ')
if self.genome_name == 'Q':
return
if self.genome_name == '' or self.genome_name is None:
raise Exception('Genomin nimi tarvitaan!')
# get the genomes
if self.genome_name == 'test':
test_fasta_file = 'SH1_genome.fasta'
self.genome_sequence = read_fasta_file_from_filesystem(test_fasta_file)
self.genome_name = 'SH1'
else:
self.researcher_email = input(' Anna sähköposti: ')
if self.researcher_email is None or self.researcher_email == '':
raise Exception('Email tarvitaan!')
self.genome_sequence = get_sequence_from_the_internet(
self.genome_name, self.researcher_email)
def display(self, verbose):
'''
Tulostetaan genomin tiedot konsoliin. Käytetään vertailtaessa tuloksia
saareke-etsinnän lopuksi.
Tulostaa genomin tunnisteen (nimen), genomin sekvenssin pituuden,
mahdollisten löydettyjen saarekkeiden lukumäärän.
Listaa lisäksi kaikki löydetyt saarekkeet ja tulostaa niiden pituuden,
saarekkeen alku- ja loppukohdan (indeksin) genomin sekvenssissä sekä
saarekkeelle lasketut arvot CG-pitoisuudesta ja CpG-parien osuudesta.
'''
print('')
print('Genomi:')
print('- nimi:', self.genome_name)
print('- sekvenssin pituus:', self.get_genome_length())
print('- mahdollisten CpG-saarekkeiden lkm:', len(self.possible_cpg_islands))
if verbose:
index = 1
for island in self.possible_cpg_islands:
start_idx, end_idx = island
print(' saareke', index, ': pituus', (end_idx - start_idx),
'start_index:', start_idx, 'end_index:', end_idx,
(calculate_details(self.genome_sequence, start_idx, end_idx)))
index = index + 1
print('')
def get_name(self):
''' Palauttaa genomine nimen (tai tunnuksen) '''
return self.genome_name
def get_genome(self):
''' Palauttaa genomin nukleotidisekvenssin '''
return self.genome_sequence
def set_window_size(self, size):
''' Asettaa saarekkeiden etsinnässä käytetyn näyteikkunan aloituskoon '''
self.window_size = size
def get_window_size(self):
''' Palauttaa näyteikkunan koon '''
return self.window_size
def set_cpg_ratio_threshold(self, cpg_ratio):
''' Asetetaan CpG-parien suhdeluku '''
self.cpg_ratio_threshold = cpg_ratio
def get_cpg_ratio_threshold(self):
''' Palautetaan CpG-parien suhdeluku '''
return self.cpg_ratio_threshold
def set_cg_percentage_threshold(self, cg_percentage):
''' Asetetaan käytetty CG-pitoisuuden raja-arvo '''
self.cg_percentage_threshold = cg_percentage
def get_cg_percentage_threshold(self):
''' Asetetaan käytetty CG-pitoisuuden raja-arvo '''
return self.cg_percentage_threshold
def get_genome_length(self):
''' Palauttaa genomin nukleotidisekvenssin pituuden '''
return len(self.genome_sequence)
def set_cpg_island(self, island):
''' Lisää saarekkeen saarekelistaan '''
self.possible_cpg_islands.append(island)
def set_cpg_islands(self, islands):
''' Alustaa genomin saarekelistan '''
self.possible_cpg_islands = islands
def get_cpg_islands(self):
''' Palauttaa genomin saarekelistan '''
return self.possible_cpg_islands
def calculate_details(seq, region_start, region_end):
'''
Lasketaan löydetylle saarekkeelle CG-pitoisuus (“CG%”) ja CpG-parien osuus
(“Obs/Exp”).
Palautetaan arvot merkkijonona.
Tietoja käytetään ja ne näytetään löydettyjen saarekkeiden vertaiuosiossa
jossa löydetyt saarekkeet listatataan.
'''
def obs(nucleotide_seq_str):
cg_pairs_obs = nucleotide_seq_str.count('CG')
cg_pairs_exp = (nucleotide_seq_str.count('C') *
nucleotide_seq_str.count('G')) / len(nucleotide_seq_str)
cpg_ratio = (cg_pairs_obs/cg_pairs_exp) * 100
return cpg_ratio
def cg(nucleotide_seq_str):
sample_seq_length = len(nucleotide_seq_str)
g_nucleotides_count = nucleotide_seq_str.count('G')
c_nucleotides_count = nucleotide_seq_str.count('C')
g_percentage = (g_nucleotides_count/sample_seq_length) * 100
c_percentage = (c_nucleotides_count/sample_seq_length) * 100
cg_percentage = g_percentage + c_percentage
return cg_percentage
region = seq[region_start:region_end] # island sequence
obs = round(obs(region), 2)
cg = round(cg(region), 2)
return ('(Obs/Exp = ' + str(obs) + ' ja %CG = ' + str(cg) + ')')
def read_fasta_file_from_filesystem(file_name):
'''
Luetaan genomin sekvenssi tiedostosta ja palautetaan se.
Tätä funktiota käytetään testisekvenssin lukemiseen tiedostosta.
'''
genome_seq = []
with open(file_name) as fasta:
for line in fasta:
genome_seq.append(line.strip())
return ''.join(genome_seq)
def get_sequence_from_the_internet(organism_name, email):
'''
Haetaan annetulla genomin nimellä genomille sekvenssi internetistä
Bio.Entrez palvelusta. Palvelun käyttöön tarvitaan sähköpostiosoite.
Palautetaan löytynyt sekvenssi. Jos palvelu palauttaa virheen sitä ei
käsitellä vaan se menee eteenpäin käyttäjälle.
(http://biopython.org/DIST/docs/api/Bio.Entrez-module.html)
'''
Bio.Entrez.email = email
handle = Bio.Entrez.efetch(db="nucleotide", rettype="gb", retmode="text",
id=organism_name)
seq_record = Bio.SeqIO.read(handle, "gb")
handle.close()
return seq_record.seq
def island_rule_1_ok(subject, seq):
'''
Tarkistetaan ylittyykö CG-pitoisuus annetulla sekvenssialueella (seq).
CG-pitoisuus (“CG%”) on vähintään 50%. CG-pitoisuus lasketaan G- ja
C-nukleotidien yhteisenä prosenttiosuutena (C% + G%) ko. alueella.
Raja-arvoa on mahdollista muuttaa ohjelman käynnistyksen yhteydessä.
'''
nucleotide_seq_str = seq
cg_percentage_threshold = subject.get_cg_percentage_threshold()
sample_seq_length = len(nucleotide_seq_str)
g_nucleotides_count = nucleotide_seq_str.count('G')
c_nucleotides_count = nucleotide_seq_str.count('C')
g_percentage = (g_nucleotides_count/sample_seq_length) * 100
c_percentage = (c_nucleotides_count/sample_seq_length) * 100
cg_percentage = g_percentage + c_percentage
if int(cg_percentage) >= int(cg_percentage_threshold):
return True
return False
def island_rule_2_ok(subject, seq):
'''
Tarkistetaan onko havannoitujen-vs-oletusarvoisten (“Obs/Exp”) CpG-parien
osuus yli 0.6 (60%) annetulla sekvenssialueella (seq)
Havainnoitujen (Obs) CpG-parien määrä on yksinkertaisesti välittömästi
toisiaan seuraavien C- ja G-nukleotidien määrä ko. alueella.
Oletusarvo CpG-pareille (Exp) voidaan arvioida kaikkien C- ja G-nukleotidien
määrästä ko. alueella kertomalla löydettyjen C-nukleotidien määrä
G-nukleotidien määrällä ja normalisoimalla tulo alueen pituudella:
Exp = (C:n määrä * G:n määrä) / alueen_pituus.
Raja-arvoa on mahdollista muuttaa ohjelman käynnistyksen yhteydessä.
'''
nucleotide_seq_str = seq
cpg_ratio_threshold = subject.get_cpg_ratio_threshold()
cg_pairs_obs = nucleotide_seq_str.count('CG')
cg_pairs_exp = (nucleotide_seq_str.count('C') *
nucleotide_seq_str.count('G')) / len(nucleotide_seq_str)
if cg_pairs_exp == 0:
return False
cpg_ratio = (cg_pairs_obs/cg_pairs_exp) * 100
if int(cpg_ratio) > int(cpg_ratio_threshold):
return True
return False
def island_conditions_ok(subject, seq):
'''
Tarkistetaan toteutuuko saarekkeille asetetut vaatimukset annetulla
sekvenssialuella (seq)
'''
return island_rule_1_ok(subject, seq) and island_rule_2_ok(subject, seq)
def find_islands(subject):
'''
Etsitään CpG-saarekkeita genomin sekvenssistä käymällä sitä läpi näyteikkunan
kokoisina paloina kasvattaen näyteikkunaa kunnes saarekkeen ehdot eivät
enää täyty. Siirretään näyteikkunan aloitussekvenssiä yhdellä kunnes koko
genomi on käyty läpi.
'''
# genomin nukleotidisekvenssi
nucleotide_seq = subject.get_genome()
# näytealueen aloituskoko
seq_sample_length = int(subject.get_window_size())
# näytteen alkuindeksin alkuarvo
start_index = 0
# näytteen loppuindeksin alkuarvo
end_index = seq_sample_length
# sekvenssin pala
seq_sample = nucleotide_seq[start_index:end_index]
# saarekelista
cpg_islands_list = []
while True:
# otetaan näyte
seq_sample = nucleotide_seq[start_index:end_index]
# tarkistetaan että näyte on minimipituinen
if not len(seq_sample) >= seq_sample_length:
break
# tarkistetaan täyttääkö näyte saarekkeen ehdot
if island_conditions_ok(subject, seq_sample):
# jos täyttää siirretään loppuindeksiä yhdellä eteenpäin
end_index = end_index + 1
# tarkistetaan ollaanko genomin sekvenssin lopussa
if end_index > subject.get_genome_length():
# lisätään saareke listaan
cpg_islands_list.append((start_index, end_index-1))
# siirretään alkuindeksiä yhdellä, samoin loppuindeksiä
start_index = start_index + 1
end_index = start_index + seq_sample_length
else:
# saarekkeen ehdot eivät täyttyneet
# jos näyte on suurempi kuin näytealueen oletuskoko, otetaan se talteen
if len(seq_sample) > seq_sample_length:
cpg_islands_list.append((start_index, end_index-1))
# kasvatetaan alku- ja loppuindeksejä
start_index = start_index + 1
end_index = start_index + seq_sample_length
# tarkistetaan onko genomin sekvenssiä vielä jäljellä
if end_index > subject.get_genome_length():
break
subject.set_cpg_islands(cpg_islands_list)
def create_study_subjects(window_size, gc_percentage, cgp_ratio):
'''
Luodaan, instantioidaan, tutkittavat genomit
'''
subjects = []
while 1:
subject = ResearchSubject()
subject.populate_subject_from_input()
if subject.genome_name == 'Q':
break
subject.set_cpg_ratio_threshold(cgp_ratio)
subject.set_cg_percentage_threshold(gc_percentage)
subject.set_window_size(window_size)
subjects.append(subject)
return subjects
def search_islands(subjects):
'''
Käydään läpi tutkittavat genomit ja etsitään saarekkeita kustakin.
'''
print('')
print('*** Etsitään saarekkeita ***')
print('')
for subject in subjects:
find_islands(subject)
def visualize_results(subject_list):
'''
Näytetään kuvaajat tutkittujen genomien löydöksistä.
'''
for subject in subject_list:
bar_chart(subject)
def bar_chart(subject):
'''
Näytetään genomin mahdolliset saarekkeet pylväsdiagrammiesityksenä.
Saarekkeet ovat rivissä x-akselilla ja pylväiden pituus kuvaa saarekkeen
kokoa, saarekkeen pituus näkyy siis y-akselilla.
Kuvaajan heikkoutena on mm. se että kuvaaja menee nopeasti tukkoon jos
genomista löytyy paljon saarekkeita.
'''
N = len(subject.get_cpg_islands())
island_lengths = []
island_labels = []
for island in subject.get_cpg_islands():
start_idx, end_idx = island
island_lengths.append((end_idx - start_idx))
island_labels.append(str(start_idx) + '-' + str(end_idx))
ind = np.arange(N)
width = 0.35
fig, ax = plt.subplots()
rects1 = ax.bar(ind, island_lengths, width, color='y')
ax.set_ylabel('Saarekkeen pituus')
ax.set_xlabel('Saarekkeet, ' + str(N) + (' kappale' if N == 1 else ' kappaletta' ))
ax.set_title( subject.genome_name + ' genomin mahdolliset CpG-saarekkeet')
ax.set_xticks(ind)
ax.set_xticklabels(island_labels)
def autolabel(rects):
for rect in rects:
height = rect.get_height()
ax.text(rect.get_x() + rect.get_width()/2., 1.05 * height,
'%d' % int(height),
ha='center', va='bottom')
autolabel(rects1)
plt.show()
def compare_results(subject_list):
''' Compare results, displays information of each genome '''
print('')
print('*** Saarekkeiden etsinnän tulokset ***')
for subject in subject_list:
subject.display(True)
print('')
def start():
'''
Ohjelman aloitus.
Kysytään käyttäjältä saarekkeiden etsinnässä käytetyt raja-arvot,
käyttäjä voi enterillä hyväksyä oletusarvot.
Kysytään käyttäjältä tutkittavien genomien nimet, tunnisteet ja luodaan
tutkittavat genomit (create_study_subjects).
Etsitään saarekkeita (search_islands).
Tulostetaan etsinnäin tulokset kultakin genomilta (compare_results).
Näytetään kuvaaja kullekin genomille saareke-etsinnäin tuloksista
(visualize_results).
'''
subjects = []
print('')
sample_window_size = input(' Koeikkunan aloituskoko (default 200):') or 200
cg_percentage_threshold = input(' CG-pitoisuuden raja-arvo s(default 50):') or 50
cpg_ratio_threshold = input(' CpG-suhteen raja-arvo (default 60):') or 60
print('')
print('--------------------------------------------------------------------')
print('Seuraavaksi tutkittavat genomit.')
print('Nimellä "test" käytetään testitiedostoa SH1_genome.fasta')
print('')
subjects = create_study_subjects(
sample_window_size, cg_percentage_threshold, cpg_ratio_threshold)
search_islands(subjects)
compare_results(subjects)
print('')
print('Saarekkeiden hakuun käytetyt arvot:')
print('- hakuikkunan aloituskoko:', sample_window_size)
print('- CpG-suhteen raja-arvo:', cpg_ratio_threshold)
print('- CG-pitoisuuden raja-arvo:', cg_percentage_threshold)
print('')
visualize_results(subjects)
# guard to only execute code when a file is invoked as a script
if __name__ == '__main__':
start()