Perl 对齐序列中缺失数据的插补

我想要一个简单的perl脚本，可以帮助我估算对齐序列中缺失的核苷酸：例如，我的旧_文件包含以下对齐序列：

seq1
ATGTC
seq2
ATGTC
seq3
ATNNC
seq4
NNGTN
seq5
CTCTN

所以我现在想推断文件中的所有N，并得到一个新文件，其中所有N都是根据特定位置的多数核苷酸推断出来的。我的新文件应如下所示：

seq1
ATGTC
seq2
ATGTC
seq3
ATGTC
seq4
ATGTC
seq5
CTCTC

脚本用法：impute_missing_data.pl old_file new_file或任何其他方法对我都有帮助。

---

谢谢。

以下是我评论中的脚本，格式更为可读：

use warnings;
use strict;
my (@data, $counts, @max);
#read in the file
while (<>) {
  chomp;
  next if /seq/;
  my @sings = split //; 
  for (my $i = 0; $i < @sings; $i++) {
    $counts->[$i]{$sings[$i]}++ if $sings[$i] ne 'N';
  }
  push (@data, \@sings);
}
# get most freq letters
foreach my $col (@$counts) {
  my ($max, $maxk) = (0, '');
  foreach my $cell (keys %$col) {
    if ($col->{$cell} > $max) {
      ($max, $maxk) = ($col->{$cell}, $cell);
    }   
  }
  push (@max, $maxk);
}
# substitute Ns with most freq letters
foreach (my $i = 0; $i < @data; $i++) {
  my $row = $data[$i];
  for (my $i = 0; $i < @$row; $i++) {
    if ($row->[$i] eq 'N') {
      $row->[$i] = $max[$i];
    }   
  }
  print "seq".($i+1)."\n".join("", @$row), "\n";
}

#!/usr/bin/perl
use strict;
my @stat;
while(<>) {
  print and next if /^seq/;
  chomp;
  my @seq = split //;
  for my $i (0..$#seq){
    my ($e, %s) = ($seq[$i], %{$stat[$i]}); # read-only aliases
    if($e=~/N/){
      my $substitution = [sort {$s{$a} <=> $s{$b}} keys %s]->[-1];
      $seq[$i] = $substitution;
      warn "substituted N with $substitution in col $i, count $s{$substitution}\n";
    } else {
      $stat[$i]->{$e}++;
    }
  }
  print @seq, "\n"';
}

或

---

这似乎是必需的

use strict;
use warnings;

use Fcntl 'SEEK_SET';

open my $fh, '<', 'old_file' or die $!;

my @counts;

while (<$fh>) {
  next if /[^ATGCN\s]/;
  my $i = 0;
  $counts[$i++]{$_}++ for /[ATGC]/g;
}

for my $maj (@counts) {
  ($maj) = sort { $maj->{$b} <=> $maj->{$a} } keys %$maj;
}

seek $fh, 0, SEEK_SET;

while (<$fh>) {
  s/N/$counts[pos]/eg unless /[^ATGCN\s]/;
  print;
}

---

你是否需要某个特定部分的帮助，或者你只是希望有人为你编写整个脚本？如果是后者，有各种各样的外包资源，如odesk.com等，你可以雇佣一个人来为你完成任务。我看到Joel在一小时前发布的建议得到了感谢，但没有看到你在两小时前回复的答案被接受，谢谢Borodin。如果答案对你有用，你应该接受它。如果你不知道怎么做，你应该尽快查看FAQ。这里有一个简短但有点难看的解决方案：perl-w-ne'print和next If/^seq/；咀嚼@seq=拆分/；对于我的$i 0..$seq{my$e，%s=$seq[$i]，%{$stat[$i]}；如果$e=~/N/{$seq[$i]=[sort{$s{$a}$s{$b}键%s]->[-1]；在列$i中用$seq[$i]替换N，则计数$s{$seq[$i]}\N}否则{$s{$i[$i>]]-{$e}使用类似于字符的数据结构打印@seq、[-N}>。这个解决方案删除了seqN标签并替换它们，假设它们是连续的，从1开始，每隔一行出现一次。这是期待一个简短的例子，谢谢博罗丁。我目前正在尝试此解决方案。此解决方案根本不起作用。除非正确初始化@stat，否则无法将未定义的值用作哈希引用-这应该是我的@stat=map+{map{$\u=>0}qwA C G t}，0。。4.此外，它仅基于当前行之前的数据而不是整个文件设置N的值

my @stat = map +{map {$_ => 0} qw(A C G T)} 0..4;

use strict;
use warnings;

use Fcntl 'SEEK_SET';

open my $fh, '<', 'old_file' or die $!;

my @counts;

while (<$fh>) {
  next if /[^ATGCN\s]/;
  my $i = 0;
  $counts[$i++]{$_}++ for /[ATGC]/g;
}

for my $maj (@counts) {
  ($maj) = sort { $maj->{$b} <=> $maj->{$a} } keys %$maj;
}

seek $fh, 0, SEEK_SET;

while (<$fh>) {
  s/N/$counts[pos]/eg unless /[^ATGCN\s]/;
  print;
}

seq1
ATGTC
seq2
ATGTC
seq3
ATGTC
seq4
ATGTC
seq5
CTCTC