LAB 01 - 5.10.2016
DATA a WWW adresy
Uvedene subory nestahujte, pokial mate na pocitaci aisa/anxur pristup 
k datovym suborom pre iv108 v adresari: /home/lexa/teaching/iv108/data
## Za vypracovanie ulohy oznacenej touto znackou vzdy do buducej stredy 
ziskate 1 bod ku skuske. Riesenia odosielajte e-mailom s kodom predmetu v nazve.
- http://www.genome.ucsc.edu/ Stiahnite si mRNA (refMrna.zip) a promotory 
  (upstream2000.zip) Drosophila melanogaster
- http://www.geneontology.com/ Stiahnite si asociacne tabulky pre PDB 
  a Arabidopsis thaliana a hierarchiu terminov GO
- Stiahnite si zoznam proteinov Arabidopsis (ATH1.fa) a PDB (pdb_90.fa)
- Stiahnite si niekolko PDB suborov z http://www.rcsb.org/pdb/
- Stiahnite si program torsions (http://www.bioinf.org.uk/software/torsions/)

- Pre niektore operacie preformatujte sekvencie do FASTA so sekvenciou na jednom riadku. Vytvorte subor s nasledovnym obsahom:
***
#!/usr/bin/perl
$sequence = "";
while($_=<STDIN>){
  if($_~=/^>/){
    print "$sequence\n";
    $sequence = "";
    print $_;
  } else {
    chop($_);
    $sequence .= $_;
  }
}
print "$sequence\n";
***
pouzite ho prikazom "cat fastafile.fa | perl filename > modifiedfastafile.fa"

- vyhladajte protein Arabidopsis, ktory obsahuje sekvenciu MASAQSF
  Skuste:
  grep MASAQSF ATH1.fa
  grep -B2 MASAQSF ATH1.fa
  man grep (vam vysvetli pouzitie programu grep)

- odhadnite pocet proteinov u Arabidopsis, ktore obsahuju sekvenciu SHLQ
  (pomocou pravdepodobnosti vyskytu jednej aminokyseliny ako 0.05 
  a skutocnej napr. na adrese 
  http://www.tiem.utk.edu/~gross/bioed/webmodules/aminoacid.htm

- spocitajte proteiny u Arabidopsis, ktore obsahuju sekvenciu SHLQ
  grep -c SHLQ ATH1.fa

- vytvorte FASTA subor proteinov u Arabidopsis, ktore obsahuju sekvenciu SHLQ
  (sikovne pouzity grep alebo perl skript, ktory vytiahne aj hlavicky)

- najdite sekvenciu, ktora sa v ATH1.fa nevyskytuje

- ## najdite najkratsiu sekvenciu ktora sa v ATH1.fa:
  - vyskytuje len raz (tzv. shustring = shortest unique string)
  - nevyskytuje (tzv. shortest non-existent word alebo nullomer)

- porovnajte vyskyt lubovolneho retazca nukleotidov v promotorovej a kodujucej 
  casti genomu Drosophila melanogaster. Ktory retazec dlzky 5 najlepsie diskriminuje medzi tymito dvoma skupinami sekvencii?

Priklady BIOPIECES

read_fasta -n 100 -i /home/lexa/teaching/iv108/data/ATH1.fa | extract_seq -b 1 -e 10

read_fasta -n 100 -i /home/lexa/teaching/iv108/data/ATH1.fa | kmer_freq | max_vals -k FREQ | 

Priklady PERL

- Priklad jednoducheho skriptu
--
#!/usr/bin/perl
# Toto je poznamka. Predchadzajuci riadok definuje, ktory program bude 
# skript interpretovat

# Specifikovanie $_, STDIN a STDOUT sa moze vynechat, retazce sa bezne 
# uvadzaju v uvodzovkach, dvojita uvodzovka nizsie umoznuje vlozit premennu
print STDOUT 'Give me some input: ';
$_ = <STDIN>;
chop($_); # Zbavme sa symbolu EOL (\n) na konci retazca

# Perl poskytuje mnozstvo funkcii pre manpulovanie retazcov
$l = length($_);

print "LENGTH($_) = $l\n"; #

if($_=~m/[A-Z]/){ # mohlo by byt napr. uvedene aj if(/[A-Z]/)
  print "String \"$_\" contains a capital letter\n";
} else {
  print "String \"$_\" does not contain a capital letter\n";
}
--

- Napiste Perl skript, ktory z rozsiahleho FASTA suboru dokaze vytiahnut 
  lubovolny regularny vyraz (simulacia prikazu grep/egrep).

- Vylepsite predchadzajuci skript o moznost vratit aj blizke okolie
  najdeneho vyrazu (+/- 5 AA). Da sa to urobit na prikazovom riadku?

- Osetrite v skripte pripady, ked sa vyraz nachadza blizko zaciatku
  alebo konca proteinu a vlozte na chybajuce miesta symbol '-'

- Spocitajte pocet jednotlivych aminokyselin v proteome Arabidopsis thaliana
   a vysledky vyjadrite percentualne s presnostou na 2 desatinne miesta.

- ## Najdite najdlhsi a najkratsi protein v ATH1.fa. Rozdelte mozne dlzky 
   proteinov v Arabidopsis na kvantily po 10 (1-10, 11-20,...). Ktore 
   dlzky sa vyskytuju v proteome najcastejsie? Hodnoty vizualizujte pomocou programu 
   gnuplot