Aritalab:Lecture/Programming/Cpp/Genome
From Metabolomics.JP
< Aritalab:Lecture | Programming | Cpp(Difference between revisions)
m |
|||
Line 1: | Line 1: | ||
− | |||
ゲノムデータを解析するプログラムの作成法を、ステップ毎に紹介します。 | ゲノムデータを解析するプログラムの作成法を、ステップ毎に紹介します。 | ||
− | == | + | ==データの読み込み== |
まず [http://hgdownload.cse.ucsc.edu/downloads.html UCSD Download]サイトに行って、ヒトゲノムのデータをダウンロードしてみます。ここではData set by chromosomeのセクションに進んで日本がシーケンスした21版染色体 (chr21.fa.gz) を取得します。faというのはFastA形式の意味です。wcコマンドにより96万行、49MBのファイルであることがわかります。headコマンドにより各行50文字程度あることがわかります。 | まず [http://hgdownload.cse.ucsc.edu/downloads.html UCSD Download]サイトに行って、ヒトゲノムのデータをダウンロードしてみます。ここではData set by chromosomeのセクションに進んで日本がシーケンスした21版染色体 (chr21.fa.gz) を取得します。faというのはFastA形式の意味です。wcコマンドにより96万行、49MBのファイルであることがわかります。headコマンドにより各行50文字程度あることがわかります。 | ||
<pre> | <pre> | ||
Line 20: | Line 19: | ||
</pre> | </pre> | ||
− | + | ==Visual Studioによるプログラム作成== | |
長さ100文字のバッファを使って行を読み、50MBのヒープ領域に21番染色体のデータを格納しましょう。 | 長さ100文字のバッファを使って行を読み、50MBのヒープ領域に21番染色体のデータを格納しましょう。 | ||
− | Visual | + | Visual Studioインストールしたら、「File→新規作成→プロジェクト」を選択して、新しいプロジェクトを開始します。 |
プロジェクト名.cppというソースを書くウィンドウが作成されるので、ここにプログラムを書いていきます。 | プロジェクト名.cppというソースを書くウィンドウが作成されるので、ここにプログラムを書いていきます。 | ||
− | + | まず、ファイルから1行ずつ読み込んで結合するプログラムを、main関数の中で作成します。 | |
;ファイルから1行ずつ読み込むサンプル | ;ファイルから1行ずつ読み込むサンプル | ||
Line 52: | Line 51: | ||
} | } | ||
</pre> | </pre> | ||
− | + | プログラムを書いたら、「ビルド→"プロジェクト名"のビルド」 でコンパイルします。 | |
− | + | コンパイルエラーがでたら、エラーメッセージ毎にソース位置を特定できるので、修正してください。 | |
+ | コンパイルできたら、「デバッグ→デバッグ無しで開始」で実行してみましょう。 | ||
+ | 動作確認ができたら、書いた部分をクラスとして抽象化します。 | ||
+ | |||
+ | ==処理のクラス化== | ||
他の染色体を読み込めるよう、 | 他の染色体を読み込めるよう、 | ||
* 染色体のサイズ (上のプログラムでは50MBの配列chr) | * 染色体のサイズ (上のプログラムでは50MBの配列chr) | ||
* 実際の文字数 (size) | * 実際の文字数 (size) | ||
− | + | をまずクラス化します。 | |
またゲノムの文字は大文字と小文字が混在しているので、全て小文字に変換する関数 toLowercase も用意します。 | またゲノムの文字は大文字と小文字が混在しているので、全て小文字に変換する関数 toLowercase も用意します。 | ||
Line 71: | Line 74: | ||
{ | { | ||
private: | private: | ||
− | + | char* chr; | |
− | + | int bufsize; | |
− | + | int size; | |
− | char toLowercase(char c) | + | char toLowercase(char c) |
{ | { | ||
switch (c) { | switch (c) { | ||
Line 95: | Line 98: | ||
~Chromosome() { delete[] chr; } | ~Chromosome() { delete[] chr; } | ||
Chromosome(const Chromosome&) | Chromosome(const Chromosome&) | ||
− | + | { cout << "Error: copy constructor is called." << endl; exit(0); } | |
Chromosome& operator=(const Chromosome& x) | Chromosome& operator=(const Chromosome& x) | ||
− | + | { cout << "Error: assignment constructor is called." << endl; exit(0); } | |
void open(char* filename) | void open(char* filename) | ||
{ | { | ||
char line[100]; | char line[100]; | ||
− | size=0; | + | size=0; |
ifstream fin(filename); | ifstream fin(filename); | ||
if (!fin) | if (!fin) | ||
{ cout << "File not found" << endl; exit(0); } | { cout << "File not found" << endl; exit(0); } | ||
+ | // skip the first line | ||
fin.getline(line, 100); | fin.getline(line, 100); | ||
− | while (!fin.getline(line, 100).eof()) { | + | while (!fin.getline(line, 100).eof()) |
+ | { | ||
for(int j=0; line[j] != 0; j++) { | for(int j=0; line[j] != 0; j++) { | ||
chr[size++] = toLowercase(line[j]); | chr[size++] = toLowercase(line[j]); | ||
Line 114: | Line 119: | ||
} | } | ||
} | } | ||
− | chr[size] = 0; | + | chr[size] = 0; |
} | } | ||
Line 122: | Line 127: | ||
for (int i=0; i < size; i++) | for (int i=0; i < size; i++) | ||
switch (chr[i]) | switch (chr[i]) | ||
− | + | { | |
− | + | case 'a': baseA++; break; | |
− | + | case 't': baseT++; break; | |
− | + | case 'g': baseG++; break; | |
− | + | case 'c': baseC++; break; | |
− | + | case 'n': baseN++; break; | |
− | + | } | |
− | + | cout << "GC content: " << (baseG+baseC)*100 / (baseA+baseT) << "%" << endl; | |
− | + | ||
} | } | ||
}; | }; | ||
Line 136: | Line 140: | ||
int _tmain(int argc, _TCHAR* argv[]) | int _tmain(int argc, _TCHAR* argv[]) | ||
{ | { | ||
− | + | ||
− | + | Chromosome C21(50000000); | |
− | + | C21.open("chr21.fa"); | |
+ | C21.printGC(); | ||
} | } | ||
</pre> | </pre> | ||
+ | これを実行すると、21番染色体のGC含量は69%とわかりました。 |
Revision as of 16:32, 19 October 2010
ゲノムデータを解析するプログラムの作成法を、ステップ毎に紹介します。
データの読み込み
まず UCSD Downloadサイトに行って、ヒトゲノムのデータをダウンロードしてみます。ここではData set by chromosomeのセクションに進んで日本がシーケンスした21版染色体 (chr21.fa.gz) を取得します。faというのはFastA形式の意味です。wcコマンドにより96万行、49MBのファイルであることがわかります。headコマンドにより各行50文字程度あることがわかります。
$ gunzip chr21.fa.gz $ wc chr21.fa 962599 962599 49092500 chr21.fa $ head chr21.fa >chr21 NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
Visual Studioによるプログラム作成
長さ100文字のバッファを使って行を読み、50MBのヒープ領域に21番染色体のデータを格納しましょう。 Visual Studioインストールしたら、「File→新規作成→プロジェクト」を選択して、新しいプロジェクトを開始します。 プロジェクト名.cppというソースを書くウィンドウが作成されるので、ここにプログラムを書いていきます。 まず、ファイルから1行ずつ読み込んで結合するプログラムを、main関数の中で作成します。
- ファイルから1行ずつ読み込むサンプル
#include "stdafx.h" #include <iostream> #include <fstream> using namespace std; int _tmain(int argc, _TCHAR* argv[]) { char line[100]; char* chr = new char[50000000]; int size=0; ifstream fin("chr21.fa"); if (!fin) { cout << "File not found" << endl; exit(0); } fin.getline(line, 100); // 1行目の ">chr21" を捨てる while (!fin.getline(line, 100).eof()) { for(int j=0; line[j] != 0; j++) chr[size++] = line[j]; } chr[size] = 0; cout << "Read " << size << " characters." << endl; }
プログラムを書いたら、「ビルド→"プロジェクト名"のビルド」 でコンパイルします。 コンパイルエラーがでたら、エラーメッセージ毎にソース位置を特定できるので、修正してください。 コンパイルできたら、「デバッグ→デバッグ無しで開始」で実行してみましょう。 動作確認ができたら、書いた部分をクラスとして抽象化します。
処理のクラス化
他の染色体を読み込めるよう、
- 染色体のサイズ (上のプログラムでは50MBの配列chr)
- 実際の文字数 (size)
をまずクラス化します。 またゲノムの文字は大文字と小文字が混在しているので、全て小文字に変換する関数 toLowercase も用意します。
- 21番染色体を読むサンプル
#include "stdafx.h" #include <iostream> #include <fstream> using namespace std; class Chromosome { private: char* chr; int bufsize; int size; char toLowercase(char c) { switch (c) { case 'A': return 'a'; case 'T': return 't'; case 'G': return 'g'; case 'C': return 'c'; case 'N': return 'n'; case 'a': case 't': case 'g': case 'c': case 'n': return c; default: cout << "Unknown char " << c << endl; exit(0); } } public: Chromosome(int siz) { chr = new char[siz]; bufsize = siz; } ~Chromosome() { delete[] chr; } Chromosome(const Chromosome&) { cout << "Error: copy constructor is called." << endl; exit(0); } Chromosome& operator=(const Chromosome& x) { cout << "Error: assignment constructor is called." << endl; exit(0); } void open(char* filename) { char line[100]; size=0; ifstream fin(filename); if (!fin) { cout << "File not found" << endl; exit(0); } // skip the first line fin.getline(line, 100); while (!fin.getline(line, 100).eof()) { for(int j=0; line[j] != 0; j++) { chr[size++] = toLowercase(line[j]); if (size >= bufsize) { cout << "Error: bufsize overflow" << endl; exit(0); } } } chr[size] = 0; } void printGC() { int baseA =0, baseT =0, baseG = 0, baseC =0, baseN=0; for (int i=0; i < size; i++) switch (chr[i]) { case 'a': baseA++; break; case 't': baseT++; break; case 'g': baseG++; break; case 'c': baseC++; break; case 'n': baseN++; break; } cout << "GC content: " << (baseG+baseC)*100 / (baseA+baseT) << "%" << endl; } }; int _tmain(int argc, _TCHAR* argv[]) { Chromosome C21(50000000); C21.open("chr21.fa"); C21.printGC(); }
これを実行すると、21番染色体のGC含量は69%とわかりました。