Übungen zu Algorithmische Bioinformatik

Transkript

1 Übungen zu Algorithmische Bioinformatik Philippe Thomas Samira Jaeger: Introduction to Bioinformatics, Exercises 1

2 1.) Sequenzen lesen (5Punkte) Für die Aufgabe müssen Sie Dateien einlesen, die DNA Sequenzen enthalten Die Dateien sind im FASTA Format Zitat: A sequence in FASTA format begins with a single-line description, followed by lines of sequence data. The description line is distinguished from the sequence data by a greater-than (">") symbol in the first column. The sequence ends if another line starting with a ">" appears; this indicates the start of another sequence. Beispiel: gi gb AAD cytochrome b LCLYTHIGRNIYYGSYLYSETWNTGIMLLLITMATAFMGYVLPWGQMS EWIWGGFSVDKATLNRFFAFHFILPFTMVALAGVHLTFLHETGSNNPL LLLLLALLSPDMLGDPDNHMPADPLNTPLHIKPEWYFLFAYAILRSVP GLMPFLHTSKHRSMMLRPLSQALFWTLTMDLLTLTWIGSQP >gi gb cytochrome x LLLITMATAFMGYVLPWGQMSLCLYTHIGRNIYYGSYLYSETWNTGIM LLLITMATAFMGYVLPWGQMS >gi Philippe Thomas: Übungen Algorithmische Bioinformatik 2

3 2.) Stringmatching (15 Punkte) Implementieren Sie irgendeinen Algorithmus, der alle vorkommen eines Pattern (kurzer String) in einem Template (langer String) findet Sie müssen diesen Algorithmus selber implementieren; STRING.indexof(), Pattern.matches(), etc... reicht nicht! Beispiel: GATATC >Some FASTA Sequence tcagcttactaattaaaaattctttctagtaagtgctaagatcaagaaaataaattaaaaataatggaacatggcacattttcctaaactc ttcacagattgctaatgattattaattaaagaataaatgttataattttttatggtaacggaatttcctaaaatattaattcaagcaccat ggaatgcaaataagaaggactctgttaattggtactattcaactcaatgcaagtggaactaagttggtattaatactcttttttacatata tatgtagttattttaggaagcgaaggacaatttcatctgctaataaagggattacatatttatttttgtgaatataaaaaatagaaagtat gttatcagattaaacttttgagaaaggtaagtatgaagtaaagctgtatactccagcaataagttcaaataggcgaaaaactttttaataa caaagttaaataatcattttgggaattgaaatgtcaaagataattacttcacgataagtagttgaagatagtttaaatttttctttttgta ttacttcaatgaaggtaacgcaacaagattagagtatatatggccaataaggtttgctgtaggaaaattattctaaggagatacgcgagag ggcttctcaaatttattcagagatggatgtttttagatggtggtttaagaaaagcagtattaaatccagcaaaactagaccttaggtttat taaagcgaggcaataagttaattggaattgtaaaataattcttcttcatttgttggaggaaaactagttaacttcttaccccatgcaggga tatcccatagggtcgaatacgatctgtcactaagcaaaggaaaatgtgagtgtagactttaaaccatttttattaatgactttagagaatc atgcatttgatgttactttcttaacaatgtgaacatatttatgcgattaagatgagttatgaaaaaggcgaatatattattcagttacata gagattatagctggtctattcttagttataggacttttgacaagatagcttagaaaataagattatagagcttaataaaagagaacttctt ggaattagctgcctttggtgcagctgtaatggctattggtatggctccagcttactggttaggttttaatagaaaaattccccatgattgc taattatatctatcctattgagaacaacgtgcgaagatgagtggcaaattggttcattattaactgctggtgctatagtagttatccttag aaagatatataaatctgataaagcaaaatcctggggaaaatattgctaactggtgctggtagggtttggggattggattatttcctctaca agaaatttggtgtttactgatatccttataaataatagagaaaaaattaataaagatgatat Philippe Thomas: Übungen Algorithmische Bioinformatik 3

4 Programmaufruf Im Web sind zwei Dateien, die das Template bzw. mehrere Pattern enthalten Das Template ist Chromosom 20 des Menschen (~ 50MB) Die Pattern sind (meist) Schnittstellen von Restriktionsenzymen Ihr Programm muss wie folgt aufrufbar sein: java jar Assignment1.jar file1 file2 File1: Dateiname der Pattern; File2: Dateiname des Templates Beide input-files sind unkomprimiert Ausgabe auf STDOUT Pro Paar (Template/Pattern) muss das Programm dann ausgeben (in jeweils neuer Zeile) Patternlänge Anzahl Fundstellen Startpositionen der ersten 10 Fundstellen Außerdem: Gesamtlaufzeit über alle Pattern Philippe Thomas: Übungen Algorithmische Bioinformatik 4

5 Wettbewerb Wir werden die Zeit Ihres Verfahrens messen und entsprechend Wettbewerbspunkte vergeben Wir werden dazu 20 neue Pattern verwenden, deren Länge zwischen 5 und 50 Zeichen liegt Pattern bestehen aus den 5 verschiedenen Zeichen im Template: ACGTN Für den Wettbewerb zählt die Gesamtzeit über alle Pattern ermittelt durch time Philippe Thomas: Übungen Algorithmische Bioinformatik 5

6 Zur Orientierung Ungefähre Anzahl Vorkommen der Pattern im Template Anzahl Zeilen ermittelt mit GREP; ist also nur ein ungefähr Ergebnis (Zeilenumbruch, mehrere Vorkommen pro Zeile) tccgga: 2506 (das ist die einzige genaue Zahl) gctacc: 6199 taataa: cctcagc: ggcgcgcc: 124 ccccccccccc: 57 aaaaaaaaaaa: 7858 aaaaaaaaaaaa:6637 aaaaaaaaaaaaaaa: 3858 aaaaaaaaaaaaaaaaaaaa: 1365 Philippe Thomas: Übungen Algorithmische Bioinformatik 6

7 Abgabe Bis Dienstag den 5.11 um 23:59 Bitte die geschätzte Bearbeitungszeit mitteilen (z.b.: 10h für 2 Teilnehmer) Als eigene Datei time.txt Abgabe per Goya: Ausgabe wie beschrieben Plot (PDF), welcher die Laufzeit in Abhängigkeit der Patternlänge zeigt (5-50bp) Optionale Vorschläge: (Vergleich naiver Algorithmus vs. Eigene Implementierung), verwendete Datentypen (String vs. Byte/Char-Array), java.nio vs. java.io, etc..) Lauffähige JAR Datei Quelltext (im JAR) Abgaben ohne Quelltext werden ignoriert JAR vor Abgabe testen Philippe Thomas: Übungen Algorithmische Bioinformatik 7