有如下的数据结构,我们知道DNA中碱基只有四种,ATGC,但是因为测序过程中的种种原因,可能出现R,M等情况,也就是所谓的兼并碱基,可参考前面的标准核酸表。如下面中第三行中有一个R,但是我们在分析的过程中,希望把这样的行给去掉。
25806202 T T C T T T T T T C T T T T T T T T T
25806240 C C C C C C C C C C C C C T C C C C C
25806305 G G G A A R G A A G G G G G G G A G A
25806336 A A A G G G A G G A A A A A A A G A G
25806345 A A A G G G A G G A A A A A A A G A G
1,读入数据以后,把每一行变成数组,但是我们不能直接用正则进行对比,因为数组的第一个元素使数字,不能直接用/[^ATGC]....所以我们在这里用了一个小技巧,另外建立了一个数组,@cout,这个数组是从1......19个,这样我们在循环数组的时候就可以避开第一个元素。
然后,我们需要用一个变量来标记着一行的状态。我们这里用的是$flag,我们在读入一行的每一个元素的时候,做一下标记,如果有非ATGC的元素,$flag就+1,然后foreach以后再用一次判断,如果$flag为0,那么说明没有其他的碱基。那就输出,否则就忽略。
#!/usr/bin/perl
# Only remain ATGC line and delete other line
use strict;
use warnings;
my @informations;
my $information;
my @cout=qw/1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19/;
my $cout;
my $flag=0;
open(WITH,"without-without_repeat_information.txt")||die("can not open!");
open(OUT,">OnlyATGC.txt");
while(<WITH>)
{
chomp;
@informations=split;
foreach $cout(@cout)
{
if ($informations[$cout] =~ /[^ATGC]/)
{
$flag=$flag+1;
}
else
{
next;
}
}
if($flag==0)
{
print OUT "$_\n";
}
else
{
$flag=0;
}
}