Extraer secuencia distintos formatos

En la realización de este cuaderno de actividades se pide el desarrollo de un diagrama de flujo que permita identificar si un fichero tiene un formato EMBL, UniProt, GenBank, PDB o, si por el contrario, se encuentra en un formato no soportado. A partir de este diagrama y de las particularidades de cada formato se pide que se extraiga la secuencia de la proteína en cualquiera de estos 4 formatos de forma automática. A continuación se procede a mostrar de forma detallada el funcionamiento de la misma. El código correspondiente a esta funcionalidad se puede encontrar en la librería biotools/src_biotools y la implementación en un programa con interfaz gráfica en el repositorio bajo el nombre de extraer_secuencia. Este apartado se corresponde a la 2ª actividad de la relación de ejercicios.

Diagrama de flujo

En primer lugar, se consultó la bibliografía aportada y se realizó el siguiente diagrama de flujo, el cual de forma muy simplificada, muestra permitiría distinguir entre estos 4 formatos. La principal mejora que podría hacerse a este programa sería, precisamente, realizar un diagrama de flujo más complejo que tuviera en cuenta otras características además de la primera línea del archivo. Así, podrían detectarse archivos mal formateados.

Figura 1. Diagrama de flujo para discriminar formato ficheros y extracción de secuencias. Elaboración propia.

Identificación del formato

Para realizar este programa se han realizado una serie de funciones que identifican, en base al diagrama de flujo anterior, el formato del archivo. Además, se ha utilizado la clase de Pascal class(TTestCase) para automatizar la realización de los test de este programa. Este desarrollo "modular" en base a funciones y acompañado de test es muy conveniente porque en caso de querer ampliar este programa a otros formatos, o mejorar los preexistentes, se puede trabajar en pequeñas unidades de código que funcionan independientemente y que se testean automáticamente. Destacar que otra ventaja es la reutilización. La función isPDB , por ejemplo, fue añadida al inicio de las funciones que trabajaban con archivos de formato PDB. Las funciones escritas para identificar los formatos de los archivos son las siguientes:

isEmbl()isUniProt()isGenBank()isPDB()

function isEmbl(archivo: Tstrings): boolean;
begin
   if (copy(archivo[0],0,2)='ID') and (copy(archivo[1],0,2)='XX')
   then result:= TRUE else result := FALSE;
end;

function isUniProt(archivo: Tstrings): boolean;
begin
   if (copy(archivo[0],0,2)='ID') and (copy(archivo[1],0,2)='AC')
   then result:= TRUE else result := FALSE;
end;

function isGenBank(archivo: Tstrings): boolean;
begin
   if (copy(archivo[0],0,5)='LOCUS')
   then result:= TRUE else result := FALSE;
end;

function isPDB(archivo: Tstrings): boolean;
begin
   if (copy(archivo[0],0,6)= 'HEADER')
   then result:= TRUE else result := FALSE;
end;  

Leer secuencia de proteína

A continuación, se muestra la función que se escribió para extraer la secuencia de la proteína en cada uno de los formatos anteriores. Para escribirla se tuvo en cuenta las peculiaridades de cada formato en cuanto a dónde se encontraba la secuencia y, en el caso del archivo PDB, se utilizó la función cargarPDB que ya había sido desarrollada para el ejercicio siguiente.

Función leerSecuenciaProteina

function leerSecuenciaProteina(archivo: Tstrings): AnsiString;
var
   j,i: integer;
   sec, linea: String;
   p: TPDB;
   check: boolean;
begin
   if(isPDB(archivo))then
     begin
     p:= CargarPDB(archivo);
     result:= p.secuencia;
     ShowMessage('Se ha detectado un archivo en formato PDB');
   end
else if(isGenBank(archivo)) then
   begin
     sec:='';
     for j:= 0 to archivo.count-1 do
     begin
       linea:= archivo[j];
       if copy(linea,0,6) = 'ORIGIN' then Break;
       sec:= sec+ trim(linea);
       if copy(linea,22,13) = '/translation=' then sec:= copy(linea, 35, 70);
     end;
     result:= trim(copy(sec,2,sec.Length-2));
     ShowMessage('Se ha detectado un archivo en formato GenBank');
   end
   else if(isUniProt(archivo)) then
     begin
    for j:= 0 to archivo.count-1 do
    begin
      linea:= archivo[j];
      if copy(linea,0,2) = '//' then Break;
      sec:= sec+ trim(linea);
      if copy(linea,0,2) = 'SQ' then sec:= '';
    end;
    result:= trim(sec);
    ShowMessage('Se ha detectado un archivo en formato UniProt');
      end
   else if(isEmbl(archivo)) then
     begin
       sec:='';
       check:= FALSE;
       for j:= 0 to archivo.count-1 do
       begin
     linea:= archivo[j];
     if (copy(linea,0,2) = 'XX') AND check then Break;
     sec:= sec+ trim(copy(linea, 22, 58));
     if copy(linea,22,13) = '/translation=' then
     begin
       check:= TRUE;
       sec:= copy(linea, 35, 39);
       end;
       end;
       result:= trim(copy(sec,2,sec.Length-2));
       ShowMessage('Se ha detectado un archivo en formato EMBL');
     end

   else
      ShowMessage('Es un formato no soportado');
end;          

TTestCase

Para la realización de los test empleados para este programa, se hizo uso de la clase TTestCase y del framework para unit testing fpcunit soportado por Lazarus. A continuación, mostramos a modo de ejemplo el código correspondiente para el procedimiento Embl, que realiza los test para las funciones relativas a este formato. El esquema seguido en este procedimiento es idéntico al resto:

1. Se cargan en variables tipo TStringList un archivo "modelo" para cada tipo de formato.
2. Se comprueba si el comportamiento de la función isFormato() es el esperado, es decir, que devuelve un valor True cuando se le da como argumento el fichero de dicho formato y un valor False para el resto.
3. Se comprueba que la secuencia que devuelve la función leerSecuenciaProteina es exactamente la esperada.

testing_biotools.Embl

procedure testing_biotools.Embl;
var
  SL_embl: TStringList;
  SL_pdb: TStringList;
  SL_UniProt: TStringList;
  SL_GenBank: TStringList;
  sec1, sec2: String;
begin
  SL_embl := TStringList.Create;
  SL_pdb := TStringList.Create;
  SL_UniProt:= TStringList.Create;
  SL_GenBank := TStringList.Create;
  SL_embl.LoadFromFile('text_embl.txt');
  SL_pdb.LoadFromFile('text_PDB.txt');
  SL_UniProt.LoadFromFile('text_UniProt.txt');
  SL_GenBank.LoadFromFile('text_GenBank.txt');
  IF not isEmbl(SL_embl) THEN Fail('No se ha detectado correctamente el archivo formato EMBL');
  IF isEmbl(SL_pdb) THEN Fail('Se ha detectado erróneamente el formato EMBL con un pdb');
  IF isEmbl(SL_UniProt) THEN Fail('Se ha detectado erróneamente el formato EMBL con un UniProt');
  IF isEmbl(SL_GenBank) THEN Fail('Se ha detectado erróneamente el formato EMBL con un GenBank');
  sec1 := 'MDFIVAIFALFVISSFTITSTNAVEASTLLDIGNLSRS' +
     'SFPRGFIFGAGSSAYQFEGAVNEGGRGPSIWDTFTHKYPEKIRDGSNADITV' +
     'DQYHRYKEDVGIMKDQNMDSYRFSISWPRILPKGKLSGGINHEGIKYYNNLI' +
     'NELLANGIQPFVTLFHWDLPQVLEDEYGGFLNSGVINDFRDYTDLCFKEFGD' +
     'RVRYWSTLNEPWVFSNSGYALGTNAPGRCSASNVAKPGDSGTGPYIVTHNQI' +
     'LAHAEAVHVYKTKYQAYQKGKIGITLVSNWLMPLDDNSIPDIKAAERSLDFQ' +
     'FGLFMEQLTTGDYSKSMRRIVKNRLPKFSKFESSLVNGSFDFIGINYYSSSY' +
     'ISNAPSHGNAKPSYSTNPMTNISFEKHGIPLGPRAASIWIYVYPYMFIQEDF' +
     'EIFCYILKINITILQFSITENGMNEFNDATLPVEEALLNTYRIDYYYRHLYY' +
     'IRSAIRAGSNVKGFYAWSFLDCNEWFAGFTVRFGLNFVD';
  sec2 := leerSecuenciaProteina(SL_embl);
  IF not (sec2 = sec1) THEN Fail('No se ha leído la secuencia correctamente');
end;        

Demostración de uso

Por último, se muestra una pequeña animación donde se muestra la implementación en una interfaz gráfica del código anterior.

Figura 2. Animación con ejemplo de uso de la aplicación extraer secuencias.

---

Última actualización: February 20, 2022