bp_bin/cluster_seq

   1 #!/usr/bin/env perl
   2
   3 # Copyright (C) 2007-2009 Martin A. Hansen.
   4
   5 # This program is free software; you can redistribute it and/or
   6 # modify it under the terms of the GNU General Public License
   7 # as published by the Free Software Foundation; either version 2
   8 # of the License, or (at your option) any later version.
   9
  10 # This program is distributed in the hope that it will be useful,
  11 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  13 # GNU General Public License for more details.
  14
  15 # You should have received a copy of the GNU General Public License
  16 # along with this program; if not, write to the Free Software
  17 # Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301, USA.
  18
  19 # http://www.gnu.org/copyleft/gpl.html
  20
  21
  22 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> DESCRIPTION <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
  23
  24 # Cluster sequences in the stream.
  25
  26 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>><<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
  27
  28
  29 use warnings;
  30 use strict;
  31 use Data::Dumper;
  32 use Maasha::Common;
  33 use Maasha::Biopieces;
  34 use Maasha::Fasta;
  35 use Maasha::Seq;
  36 use Maasha::Filesys;
  37
  38
  39 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>><<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
  40
  41
  42 my ( $options, $in, $out, $tmp_dir, $tmp_fh1, $tmp_fh2, $fh, $record, $entry, $type, @args, $arg_str, $clusters );
  43
  44 $options = Maasha::Biopieces::parse_options(
  45     [
  46         { long => 'identity',   short => 'i', type => 'float', mandatory => 'no', default => "0.9",   allowed => undef, disallowed => undef },
  47         { long => 'word_size',  short => 'w', type => 'uint',  mandatory => 'no', default => 7,     allowed => undef, disallowed => 0 },
  48         { long => 'fast_clust', short => 'f', type => 'flag',  mandatory => 'no', default => undef, allowed => undef, disallowed => undef },
  49     ]
  50 );
  51
  52 $in  = Maasha::Biopieces::read_stream( $options->{ "stream_in" } );
  53 $out = Maasha::Biopieces::write_stream( $options->{ "stream_out" } );
  54
  55 $tmp_dir  = Maasha::Biopieces::get_tmpdir();
  56 $tmp_fh1  = Maasha::Filesys::file_write_open( "$tmp_dir/cluster.fasta" );
  57 $tmp_fh2  = Maasha::Filesys::file_write_open( "$tmp_dir/cluster.stream" );
  58
  59 while ( $record = Maasha::Biopieces::get_record( $in ) )
  60 {
  61     if ( $entry = Maasha::Fasta::biopiece2fasta( $record ) )
  62     {
  63         $type = Maasha::Seq::seq_guess_type( $record->{ 'SEQ' } ) if not $type;
  64
  65         Maasha::Fasta::put_entry( $entry, $tmp_fh1 );
  66     }
  67
  68     Maasha::Biopieces::put_record( $record, $tmp_fh2 );
  69 }
  70
  71 close $tmp_fh1;
  72 close $tmp_fh2;
  73
  74 push @args, "-d 120";
  75 push @args, "-i $tmp_dir/cluster.fasta";
  76 push @args, "-o $tmp_dir/cluster.out";
  77 push @args, "-n $options->{ 'word_size' }";
  78 push @args, "-c $options->{ 'identity' }";
  79 push @args, "-g 1" if not $options->{ 'fast_clust' };
  80 push @args, "> /dev/null 2>&1" if not $options->{ 'verbose' };
  81
  82 $arg_str = join " ", @args;
  83
  84 if ( $type =~ /protein/i ) {
  85     Maasha::Common::run( "cdhit", $arg_str );
  86 } else {
  87     Maasha::Common::run( "cdhit-est", $arg_str );
  88 }
  89
  90 $clusters = parse_clusters( "$tmp_dir/cluster.out.clstr" );
  91
  92 $tmp_fh2 = Maasha::Filesys::file_read_open( "$tmp_dir/cluster.stream" );
  93
  94 while ( $record = Maasha::Biopieces::get_record( $tmp_fh2 ) )
  95 {
  96     if ( exists $clusters->{ $record->{ 'SEQ_NAME' } } ) {
  97         $record->{ 'CLUSTER' } = $clusters->{ $record->{ 'SEQ_NAME' } };
  98     }
  99
 100     Maasha::Biopieces::put_record( $record, $out );
 101 }
 102
 103 Maasha::Biopieces::close_stream( $in );
 104 Maasha::Biopieces::close_stream( $out );
 105
 106
 107 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> SUBROUTINES <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
 108
 109
 110 sub parse_clusters
 111 {
 112     # Martin A. Hansen, January 2010.
 113
 114     # Parses a CD-hit cluster file and returns a hash with
 115     # sequence name as key and cluster number as value.
 116
 117     my ( $file,   # cluster file
 118        ) = @_;
 119
 120     # Returns a hash.
 121
 122     my ( $block, $fh, @lines, $line, %clusters, $seq_name, $cluster );
 123
 124     local $/ = "\n>";
 125
 126     $fh = Maasha::Filesys::file_read_open( $file );
 127
 128     while ( $block = <$fh> )
 129     {
 130         chomp $block;
 131
 132         @lines = split "\n", $block;
 133
 134         $cluster = shift @lines;
 135
 136         $cluster =~ s/>?Cluster (\d+)/$1/;
 137
 138         foreach $line ( @lines )
 139         {
 140             if ( $line =~ />(.*)/ )
 141             {
 142                 $seq_name = $1;
 143
 144                 $clusters{ $seq_name } = $cluster;
 145             }
 146         }
 147     }
 148
 149     close $fh;
 150
 151     return wantarray ? %clusters : \%clusters;
 152 }
 153
 154
 155 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>><<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
 156
 157
 158 BEGIN
 159 {
 160     Maasha::Biopieces::status_set();
 161 }
 162
 163
 164 END
 165 {
 166     Maasha::Biopieces::status_log();
 167 }
 168
 169
 170 # >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>><<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
 171
 172
 173 __END__