PATTERNmatching

• Estudiar la localización de 433 patrones en unas 9.000 secuencias de proteínas, anotando si su localización es intra o interexónica.
• Encontrar aquellos patrones de longitud considerable que estan ubicados en una región intraexónica con una frecuencia mayor que la esperada por azar (patrones significativos o patrones con motivo de estudio)
• Comprobar si hay alguna relación entre las funciones de los patrones considerados significativos.
• ¿Existe alguna razón evolutiva que explique el sesgo observado en estos patrones?
  
  

		>NM_013371
		MKLQCVSLWLLGTILILCSVDNHGLRRCLISTDMHHIEESFQEIKRAIQAKDTFPNVTIL
		STLETLQIIKPLDVCCVTKNLLAFYVDRVFKDHQEPNPKILRKISSIANSFLYMQKTLRQ
		CQEQRQCHCRQEATNATRVIHDNYDQLEVHAAAIKSLGELDVFLAWINKNHEVMFSA*
		

		//
		ID ASN_GLYCOSYLATION; PATTERN.
		AC PS00001
		DT APR-1990 (CREATED); APR-1990 (DATA UPDATE); APR-1990 (INFO UPDATE).
		DE N-glycosylation site
		PA N-\{P\}-[ST]-\{P\}
		CC /TAXO-RANGE=??E?V
		CC /SITE=1,carbohidrate
		CC /SKIP-FLAG=TRUE;
		DO PDOC00001; 
		

		PS00001 N[^P][ST][^P] 
		PS00002 SG.G 
		PS00004 [RK][RK].[ST] 
		PS00005 [ST].[RK] 
		PS00006 [ST]..[DE] 
		

		NM_000016 NM_000016.1 1.1 10.3
		NM_000016 NM_000016.2 11.1 40.1
		NM_000016 NM_000016.3 40.2 72.3
		NM_000016 NM_000016.4 73.1 96.1
		

• OBTENCIÓN DE ARCHIVOS.
  
  En un principio, el algoritmo se encarga de obtener de los diferentes archivos antes mencionados, la información necesaria para el proceso. Para la ejecución del programa es necesario introducir previamente el nombre de estos archivos en SHELL:
  
  ./patternmatching.pl <archivo de secuencias> <archivo de patrones><archivo de exones>
  
  El programa verificará que se le hayan introducido estos archivos y, en el caso de no ser así, nos avisará con un mensaje de error. A continuación, se crean 3 filehandles que permitirán la entrada de datos al programa. Además crearemos otro filehandle para crear un archivo de salida (outfile.txt)que recopila información que se obtiene a lo largo del proceso.
  
  
• PREPARACIÓN DE LA INFORMACIÓN.
  
  En esta parte crearemos las diferentes matrices que se procesarán a lo largo del algoritmo: matriz de secuencias, matriz de patrones y matriz de exones.
  
  Matriz de secuencias: a partir de un archivo donde se almacenan las secuencias en formato fasta, construimos una matriz en la cual el primer elemento de cada vector hace referencia al ID de la secuencia (NM_xxxxxx) y el segundo contiene la secuencia de aminoácidos. De esta matriz obtenemos las secuencias sobre las cuales queremos encontrar los diferentes patrones.
  
  
  Matriz de patrones: al igual que en la anterior matriz, transformamos la información de un archivo de patrones obtenido de la base de datos de prosite, en una matriz donde el primer elemento de cada vector contiene los ID de los patrones (PSxxxxx) y el segundo la expresión regular que definirá a cada patrón. De esta matriz obtenemos los patrones que queremos buscar sobre las diferentes secuencias.
  
  
  Matriz de exones: el archivo de exones lo transformamos en una matriz que contiene información sobre ID de proteína, número de exón, posición inicial de exón y posición final de exón de proteínas conocidas (Refseq). Esta es la matriz de consulta de la cual extraemos información acerca de la distribución exónica de las diferentes proteínas, es como una base de datos en la cual a partir del ID de la proteína, obtenemos para cada exón que constituirá la proteína, su posición inicial y final.
  
  
  Esta parte del programa consiste en leer los archivos abiertos y extraer la información que contengan transformándola en estas 3 matrices.
  
  
  
• CUERPO DEL PROGRAMA.
  
  En esta parte del programa procesamos toda la información que hasta ahora hemos obtenido. Consiste en buscar cada uno de los patrones en cada una de las diferentes proteínas que constituye la matriz de secuencias, para ello recorremos las matrices mediante varias composiciones iterativas a la vez que aplicamos una función (match). Esta función se encarga de "lanzar" la expresión regular que reconoce patrones sobre cada una de las secuencias, y cada vez que encuentra una coincidencia nos devuelve 3 valores: posición inicial del match, longitud del match y secuencia de aminoácidos del match. Finalmente, la información obtenida se almacena en un archivo de salida de nombre <OUTFILE.TXT> que contiene información sobre cada uno de los patrones encontrados. Para cada patrón obtendremos:
  

  		PATTERN
  		PSxxxxxx
  		Id. SEQUENCE NMxxxxxx
  		Total MATCHES  x
  		MATCHx Posición inicial(longitud) ...secuencia aminoacídica...
  		

  
  
  Con esta información construiremos una nueva matriz (matriz de matches) que nos servirá para continuar con el algoritmo. Esta matriz contiene información acerca del ID del patrón, ID de la proteína y posición inicial y final del patrón encontrado. Finalmente, comparamos la matriz de matches obtenida con la matriz de exones para determinar, a partir de las posiciones de los patrones encontrados y de los exones, si los patrones reconocidos se ubican en el interior de un único exón (intraexónico) o se extiende a lo largo de más de un exón (interexónico).
  Para ello, recorremos la matriz de matches hasta que coincidan los ID, es decir, hasta que encontremos el ID de la proteína en el listado de ID de proteínas con información sobre las posiciones exónicas. Una vez recopilamos información sobre las posiciones inicial y final de los exones solo basta comprobar, mediante una composición condicional, que la posiciones inicial y final de los patrones encontrados caen o no dentro de un exón.
  Esta información aparecerá resumida por pantalla en formato tabulado:
  
  ID patrón, Longitud, coincidencias intraexónicas, porcentaje de intraexónicas,coincidencias interexónicas, porcentaje de interexónicas y total de patrones encontrados.