classifyseqscommand.h

   1 #ifndef CLASSIFYSEQSCOMMAND_H
   2 #define CLASSIFYSEQSCOMMAND_H
   3
   4 /*
   5  *  classifyseqscommand.h
   6  *  Mothur
   7  *
   8  *  Created by westcott on 11/2/09.
   9  *  Copyright 2009 Schloss Lab. All rights reserved.
  10  *
  11  */
  12
  13
  14 #include "command.hpp"
  15 #include "classify.h"
  16 #include "referencedb.h"
  17 #include "sequence.hpp"
  18 #include "bayesian.h"
  19 #include "phylotree.h"
  20 #include "phylosummary.h"
  21 #include "knn.h"
  22
  23
  24 //KNN and Bayesian methods modeled from algorithms in
  25 //Naı¨ve Bayesian Classiﬁer for Rapid Assignment of rRNA Sequences
  26 //into the New Bacterial Taxonomy􏰎†
  27 //Qiong Wang,1 George M. Garrity,1,2 James M. Tiedje,1,2 and James R. Cole1*
  28 //Center for Microbial Ecology1 and Department of Microbiology and Molecular Genetics,2 Michigan State University,
  29 //East Lansing, Michigan 48824
  30 //Received 10 January 2007/Accepted 18 June 2007
  31
  32
  33
  34 class ClassifySeqsCommand : public Command {
  35
  36 public:
  37         ClassifySeqsCommand(string);
  38         ClassifySeqsCommand();
  39         ~ClassifySeqsCommand();
  40
  41         vector<string> setParameters();
  42         string getCommandName()                 { return "classify.seqs";               }
  43         string getCommandCategory()             { return "Phylotype Analysis";  }
  44         string getOutputFileNameTag(string, string);
  45         string getHelpString();
  46         string getCitation() { return "Wang Q, Garrity GM, Tiedje JM, Cole JR (2007). Naive Bayesian classifier for rapid assignment of rRNA sequences into the new bacterial taxonomy. Appl Environ Microbiol 73: 5261-7. [ for Bayesian classifier ] \nAltschul SF, Madden TL, Schaffer AA, Zhang J, Zhang Z, Miller W, Lipman DJ (1997). Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res 25: 3389-402. [ for BLAST ] \nDeSantis TZ, Hugenholtz P, Larsen N, Rojas M, Brodie EL, Keller K, Huber T, Dalevi D, Hu P, Andersen GL (2006). Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Appl Environ Microbiol 72: 5069-72. [ for kmer ] \nhttp://www.mothur.org/wiki/Classify.seqs"; }
  47         string getDescription()         { return "classify sequences"; }
  48
  49         int execute();
  50         void help() { m->mothurOut(getHelpString()); }
  51
  52
  53
  54 private:
  55         struct linePair {
  56                 unsigned long long start;
  57                 unsigned long long end;
  58                 linePair(unsigned long long i, unsigned long long j) : start(i), end(j) {}
  59         };
  60
  61         vector<int> processIDS;   //processid
  62         vector<linePair*> lines;
  63         vector<string> fastaFileNames;
  64         vector<string> namefileNames;
  65     vector<string> countfileNames;
  66         vector<string> groupfileNames;
  67         vector<string> outputNames;
  68         map<string, vector<string> > nameMap;
  69         map<string,  vector<string> >::iterator itNames;
  70
  71         Classify* classify;
  72         ReferenceDB* rdb;
  73
  74         string fastaFileName, templateFileName, countfile, distanceFileName, namefile, search, method, taxonomyFileName, outputDir, groupfile;
  75         int processors, kmerSize, numWanted, cutoff, iters;
  76         float match, misMatch, gapOpen, gapExtend;
  77         bool abort, probs, save, flip, hasName, hasCount, writeShortcuts;
  78
  79         int driver(linePair*, string, string, string, string);
  80         int createProcesses(string, string, string, string);
  81         string addUnclassifieds(string, int);
  82
  83         int MPIReadNamesFile(string);
  84         #ifdef USE_MPI
  85         int driverMPI(int, int, MPI_File&, MPI_File&, MPI_File&, MPI_File&, vector<unsigned long long>&);
  86         #endif
  87 };
  88
  89 /**************************************************************************************************/
  90 //custom data structure for threads to use.
  91 // This is passed by void pointer so it can be any data type
  92 // that can be passed using a single void pointer (LPVOID).
  93 struct classifyData {
  94         string taxFName;
  95         string tempTFName;
  96         string filename;
  97         string search, taxonomyFileName, templateFileName, method, accnos;
  98         unsigned long long start;
  99         unsigned long long end;
 100         MothurOut* m;
 101         float match, misMatch, gapOpen, gapExtend;
 102         int count, kmerSize, threadID, cutoff, iters, numWanted;
 103         bool probs, flip, writeShortcuts;
 104
 105         classifyData(){}
 106         classifyData(string acc, bool p, string me, string te, string tx, string a, string r, string f, string se, int ks, int i, int numW, MothurOut* mout, unsigned long long st, unsigned long long en, float ma, float misMa, float gapO, float gapE, int cut, int tid, bool fli, bool wsh) {
 107                 accnos = acc;
 108                 taxonomyFileName = tx;
 109                 templateFileName = te;
 110                 taxFName = a;
 111                 tempTFName = r;
 112                 filename = f;
 113                 search = se;
 114                 method = me;
 115                 m = mout;
 116                 start = st;
 117                 end = en;
 118                 match = ma;
 119                 misMatch = misMa;
 120                 gapOpen = gapO;
 121                 gapExtend = gapE;
 122                 kmerSize = ks;
 123                 cutoff = cut;
 124                 iters = i;
 125                 numWanted = numW;
 126                 threadID = tid;
 127                 probs = p;
 128                 count = 0;
 129                 flip = fli;
 130         writeShortcuts = wsh;
 131         }
 132 };
 133
 134 /**************************************************************************************************/
 135 #if defined (__APPLE__) || (__MACH__) || (linux) || (__linux) || (__linux__) || (__unix__) || (__unix)
 136 #else
 137 static DWORD WINAPI MyClassThreadFunction(LPVOID lpParam){
 138         classifyData* pDataArray;
 139         pDataArray = (classifyData*)lpParam;
 140
 141         try {
 142                 ofstream outTax;
 143                 pDataArray->m->openOutputFile(pDataArray->taxFName, outTax);
 144
 145                 ofstream outTaxSimple;
 146                 pDataArray->m->openOutputFile(pDataArray->tempTFName, outTaxSimple);
 147
 148                 ofstream outAcc;
 149                 pDataArray->m->openOutputFile(pDataArray->accnos, outAcc);
 150
 151                 ifstream inFASTA;
 152                 pDataArray->m->openInputFile(pDataArray->filename, inFASTA);
 153
 154                 string taxonomy;
 155
 156                 //print header if you are process 0
 157                 if ((pDataArray->start == 0) || (pDataArray->start == 1)) {
 158                         inFASTA.seekg(0);
 159                 }else { //this accounts for the difference in line endings.
 160                         inFASTA.seekg(pDataArray->start-1); pDataArray->m->gobble(inFASTA);
 161                 }
 162
 163                 pDataArray->count = pDataArray->end;
 164
 165                 //make classify
 166                 Classify* myclassify;
 167                 if(pDataArray->method == "bayesian"){   myclassify = new Bayesian(pDataArray->taxonomyFileName, pDataArray->templateFileName, pDataArray->search, pDataArray->kmerSize, pDataArray->cutoff, pDataArray->iters, pDataArray->threadID, pDataArray->flip, pDataArray->writeShortcuts);             }
 168                 else if(pDataArray->method == "knn"){   myclassify = new Knn(pDataArray->taxonomyFileName, pDataArray->templateFileName, pDataArray->search, pDataArray->kmerSize, pDataArray->gapOpen, pDataArray->gapExtend, pDataArray->match, pDataArray->misMatch, pDataArray->numWanted, pDataArray->threadID);                           }
 169                 else {
 170                         pDataArray->m->mothurOut(pDataArray->search + " is not a valid method option. I will run the command using bayesian.");
 171                         pDataArray->m->mothurOutEndLine();
 172                         myclassify = new Bayesian(pDataArray->taxonomyFileName, pDataArray->templateFileName, pDataArray->search, pDataArray->kmerSize, pDataArray->cutoff, pDataArray->iters, pDataArray->threadID, pDataArray->flip, pDataArray->writeShortcuts);
 173                 }
 174
 175                 if (pDataArray->m->control_pressed) { delete myclassify; return 0; }
 176
 177                 int count = 0;
 178                 for(int i = 0; i < pDataArray->end; i++){ //end is the number of sequences to process
 179
 180                         if (pDataArray->m->control_pressed) { delete myclassify; return 0; }
 181
 182                         Sequence* candidateSeq = new Sequence(inFASTA); pDataArray->m->gobble(inFASTA);
 183
 184                         if (candidateSeq->getName() != "") {
 185
 186                                 taxonomy = myclassify->getTaxonomy(candidateSeq);
 187
 188                                 if (pDataArray->m->control_pressed) { delete candidateSeq; return 0; }
 189
 190                                 if (taxonomy == "unknown;") { pDataArray->m->mothurOut("[WARNING]: " + candidateSeq->getName() + " could not be classified. You can use the remove.lineage command with taxon=unknown; to remove such sequences."); pDataArray->m->mothurOutEndLine(); }
 191
 192                                 //output confidence scores or not
 193                                 if (pDataArray->probs) {
 194                                         outTax << candidateSeq->getName() << '\t' << taxonomy << endl;
 195                                 }else{
 196                                         outTax << candidateSeq->getName() << '\t' << myclassify->getSimpleTax() << endl;
 197                                 }
 198
 199                                 outTaxSimple << candidateSeq->getName() << '\t' << myclassify->getSimpleTax() << endl;
 200
 201                                 if (myclassify->getFlipped()) { outAcc << candidateSeq->getName() << endl; }
 202
 203                                 count++;
 204                         }
 205                         delete candidateSeq;
 206                         //report progress
 207                         if((count) % 100 == 0){ pDataArray->m->mothurOut("Processing sequence: " + toString(count)); pDataArray->m->mothurOutEndLine();         }
 208
 209                 }
 210                 //report progress
 211                 if((count) % 100 != 0){ pDataArray->m->mothurOut("Processing sequence: " + toString(count)); pDataArray->m->mothurOutEndLine();         }
 212
 213                 delete myclassify;
 214                 inFASTA.close();
 215                 outTax.close();
 216                 outTaxSimple.close();
 217
 218         }
 219         catch(exception& e) {
 220                 pDataArray->m->errorOut(e, "ClassifySeqsCommand", "MyClassThreadFunction");
 221                 exit(1);
 222         }
 223 }
 224 #endif
 225
 226
 227
 228
 229 #endif
 230