Nastavení kontrol

update tyr_motif,hs_prot set tyr_motif.control=hs_prot.control 
where hs_prot.id_p=tyr_motif.id_p;

Skórování phobia

update phobius,phobius_ft set phobius.score = 1 
where 
   phobius.ft_tm=1 and 
   phobius_ft.start >10 and phobius_ft.start <40 and  
   phobius_ft.stop >30 and phobius_ft.stop < 60 and 
   phobius_ft.ft='TRANSMEM' and 
   phobius.id_ph=phobius_ft.id_ph and 
   phobius.score=0;

Přeformátování identifikátorů

Protože databáze lidských proteinů z NCBI má identifikátory, které se nám nehodí jako jména souborů, potřebujeme je přeformátovat a ziskat jako identifikátor sekvence její gi

>gi|21361449|ref|NP_055395.2| solute carrier family 2, (facilitated glucose transporter) member 8 [Homo sapiens]

Uděláme to pomocí příkazu sed s využitím regulárních expresí. Tady to je:

zcat /mnt/dax/Db/NCBI/H_sapiens/protein.fa.gz | sed -e "s/gi|//g" | sed -e "s/|ref/ ref/g" > protein.fa
zcat /mnt/dax/Db/NCBI/H_sapiens/protein.fa.gz | head | sed -e "s/>gi|\(.*\)|ref/>\1 gi|\1|ref/g"

Batch Jobs

Pro urychlení práce a běh programů na více sekvencí s různými parametry si napíšeme krátký shell script Tady jsou nějaké reference:

• bash tutorial
• quick guide to scripting
• advanced bash scripting
• bash refernece manual

#!/bin/bash

FILE="all_tmhmm.txt"
PROG="../TMHMM2.0/bin/tmhmm"
DELIM="--------------------------------------------------"
SEQS="hs-lat.fa hs-lax.fa hs-lime.fa hs-ntal.fa hs-pag.fa hs-sit.fa hs-trim.fa"

echo "vystup z $PROG" >$FILE
echo $DELIM >>$FILE

for SEQ in $SEQS ; do (
    $PROG $SEQ >>$FILE
    echo $DELIM >>$FILE
)
done

Analýza prosite

hpaces@charon /mnt/cora/Projects/Traps/ws4 $ cat prosite.dat | grep MATRIX_TYPE | sort | uniq -c
     20 CC   /MATRIX_TYPE=composition;
      2 CC   /MATRIX_TYPE=localization_signal;
    745 CC   /MATRIX_TYPE=protein_domain;
      3 CC   /MATRIX_TYPE=repeat_region;
hpaces@charon /mnt/cora/Projects/Traps/ws4 $ cat prosite.dat | grep MATRIX_TYPE | sort | uniq
CC   /MATRIX_TYPE=composition;
CC   /MATRIX_TYPE=localization_signal;
CC   /MATRIX_TYPE=protein_domain;
CC   /MATRIX_TYPE=repeat_region;

Join tabulek

mysql> select count_elm.id_mot,count(*) as cnt,motif_elm.motif from count_elm join motif_elm on count_elm.id_mot=motif_elm.id_mot group by motif_elm.id_mot order by cnt desc limit 2;
+--------+-------+--------------------+
| id_mot | cnt   | motif              |
+--------+-------+--------------------+
|     39 | 32054 | .[D|E].[I|V|L]     | 
|     88 | 31868 | ...[S|T]...[S|T]   | 
+--------+-------+--------------------+
2 rows in set (1.82 sec)

mysql> select count_elm.id_mot,count(*) as cnt,motif_elm.motif from count_elm, motif_elm where count_elm.id_mot=motif_elm.id_mot group by motif_elm.id_mot order by cnt desc limit 2;
+--------+-------+--------------------+
| id_mot | cnt   | motif              |
+--------+-------+--------------------+
|     39 | 32054 | .[D|E].[I|V|L]     | 
|     88 | 31868 | ...[S|T]...[S|T]   | 
+--------+-------+--------------------+
2 rows in set (1.77 sec)