[問題] 資料擷取

[aattsat (Tala)]

各位大大好

最近在撰寫一個程式
是在一筆資料中(為.dat檔)要擷取部分資料成為fasta檔
範例為其中一筆序列資料 如下

ID   104K_THEPA     STANDARD;      PRT;   924 AA.
AC   P15711;
DT   01-APR-1990 (Rel. 14, Created)
DE   104 kDa microneme-rhoptry antigen.
OS   Theileria parva.
OC   Eukaryota; Alveolata; Apicomplexa; Piroplasmida; Theileriidae;
OC   Theileria.
OX   NCBI_TaxID=5875;
RN   [1]
RP   SEQUENCE FROM N.A.
RC   STRAIN=Muguga;
RX   MEDLINE=90158697; PubMed=1689460; DOI=10.1016/0166-6851(90)90007-9;
RA   Iams K.P., Young J.R., Nene V., Desai J., Webster P., Ole-Moiyoi O.K.,
RA   Musoke A.J.;
RT   "Characterisation of the gene encoding a 104-kilodalton microneme-
RT   rhoptry protein of Theileria parva.";
RL   Mol. Biochem. Parasitol. 39:47-60(1990).
CC   -!- SUBCELLULAR LOCATION: In microneme/rhoptry complexes.
CC   --------------------------------------------------------------------------
CC   This SWISS-PROT entry is copyright.
CC   --------------------------------------------------------------------------
DR   EMBL; M29954; AAA18217.1; -.
DR   PIR; A44945; A44945.
DR   TIGRFAMs; TIGR01870; cas_TM1810; 1.
KW   Antigen; Repeat; Sporozoite.
FT   DOMAIN        1     19       Hydrophobic.
FT   DOMAIN      905    924       Hydrophobic.
SQ   SEQUENCE   924 AA;  103625 MW;  289B4B554A61870E CRC64;
     MKFLILLFNI LCLFPVLAAD NHGVGPQGAS GVDPITFDIN SNQTGPAFLT AVEMAGVKYL
     TTVELAPEPK ASRIVVDDEG TEADDEETHP PEERQKTEVR RRRPPKKPSK SPRPSKPKKP
     KKPDSAYIPS ILAILVVSLI VGIL
//

每筆序列都是從ID開始 //結束
而我要擷取的資料模式為
P15711|104K_THEPA|Antigen; Repeat; Sporozoite
MKFLILLFNI LCLFPVLAAD NHGVGPQGAS GVDPITFDIN SNQTGPAFLT AVEMAGVKYL
TTVELAPEPK ASRIVVDDEG TEADDEETHP PEERQKTEVR RRRPPKKPSK SPRPSKPKKP
KKPDSAYIPS ILAILVVSLI VGIL

(擷取名稱)
AC|ID|KW|
SQ

請問我要如何下正規化的指令呢?
謝謝!!

--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 113.61.134.176
→ iFEELing:每行開頭兩個字是空白的?
→ iFEELing:啊 沒看到底下還有
→ OneGuilty:一般正規化做得到這麼複雜嗎@@?不考慮用split等之類的處
→ OneGuilty:理??
        因為連字串該怎麼處裡都有點不清楚...
        所以應該要先split 再來擷取嗎?
        請問split部分該如何撰寫

目前試著寫出AC、ID、KW擷取的字串處理
$AC=~ /AC\s+(\S+);.*/
$ID=~ /ID\s+(\S+)\s.*/
$KW=~ /KW\s+(\S+);.*/
請問我的正規化指令有寫對嗎?
謝謝!
※ 編輯: aattsat         來自: 113.61.134.176       (06/13 22:59)
→ piglon:何不一行一行處理
→ s4553711:序列都在最後面，所以讀到SQ之後跳下一行，之後全讀，再
→ s4553711:把空白拿掉，應該就可以了吧
        因為卡在沒有split 前面程式跑出來都不正確
        加入split後 程式已順利執行 也把空白都置換掉了~
        謝謝各位的建議~
※ 編輯: aattsat         來自: 113.61.134.176       (06/20 17:45)
→ windincloud:NCBI應該沒那摸麻煩吧~直接選fasta就可以下載seq不是?
        因為個人研究是要使用舊版的資料，只剩dat檔
        才會需要此步驟
※ 編輯: aattsat         來自: 113.61.134.176       (06/21 12:54)