寫在寫在前面的前面

中午一個師弟說,，手上有一個需求,，需要確定某個模式在荔枝所有基因的啟動子區(qū)域內(nèi)是否存在。事實上,，這很明顯就是要看某個轉(zhuǎn)錄因子是否是調(diào)控哪些基因,，我一看模式就知道，必定是ERF,，因為是典型的GCC-box序列,。

一提到這個，我的想法是：

1. 復(fù)雜的操作,，那么你最好用MEME,，MAST，所以可能需要稍微寫個小教本,，但是事實上,，你也可以用TBtools，我早就打包了Windows, Linux, MacOS的執(zhí)行器,。所以,。。,。有那么復(fù)雜嗎,？

2. 簡單的操作，事實上大部分人需要的是Perfect Match,，當然你也可以自己寫正則,。我在半年前就開放了TBtools的一個序列模式定位功能（附加在下方）。

如果是我直接在命令行下操作,，那么我一兩分鐘就搞定,，如下

我在寫這個命令的時候，考慮了：

1. 基因組存儲序列是會存在換行的,，往往60個字符一行,，模式匹配的時候需要考慮這個

2. 使用-0777一次性讀取整個文件進行檢索，因為這個正則幾乎不會出現(xiàn)在header上,，沒必要搞得太復(fù)雜,。

3. 基因組序列中可能會有大小寫（當然，手上這個文件,，必然是小寫,，因為使用TBtools一次性提取的所有基因的啟動子區(qū)域，我當然知道只有小寫）

最后,，我們得到上述的一行perl命令,。

問題解決,，但是還是存在另外兩個問題：

1. 如果用戶不是需要數(shù)目，而是需要每個序列,，甚至是匹配位置,？

2. 如果基因組很大，比如16G的小麥基因組,，那么上述這個命令至少主要32Gb的內(nèi)存,，運行慢且不說...

3. 無論基因組大小如何，模式匹配本身就比直接indexOf()慢很多,，這是基本的編程基礎(chǔ)知識

4. ....

上述這些問題,，在TBtools里面都不是問題，即是你用的是1個T的基因組,，只要你愿意花一點點時間等待,，那么TBtools都能幫你找出所有匹配的位置，而且還很快,，比上述那行perl快,；而且給出的信息還很全面，包括所有匹配位置,；當然還支持正則等等等等

輸出結(jié)果還很優(yōu)美

同樣是736個....

最后,，還是補充一句：

無論你是做實驗的，還是做數(shù)據(jù)分析的,，TBtools都值得你推薦給身邊的人,。因為你是前者，那么TBtools減少你的煩惱,，給你補充一些基礎(chǔ)數(shù)據(jù)分析能力,；如果你是后者，那么TBtools可以減少其他成員占用你的工作時間,，你應(yīng)該去做一些有深度的分析,，而不是幫其他人做一些任何人都能簡單搞定的事情，比如做個熱圖,，有意思嗎？

當然了,，你在高校是如此,；你在公司亦是如此，減少你客戶的煩惱,；降低公司技術(shù)運維的工作量,。

CJchen，公眾號：生信札記7000+人教我寫TBtools - 他值得任何人推薦給身邊的朋友

附加半年前TBtools的推文如下：

寫在前面

TBtools開發(fā)至今三年有余,，讓開發(fā)工作的持續(xù)開展,，事實上主要來源于用戶朋友的信任與支持。總的來說,，我對多數(shù)用戶存在某種意義上的感謝,，畢竟使用一個未正式發(fā)表的工具，并在漂亮的發(fā)表工作引用,，是對我個人能力在某種程度的認可,。
與開發(fā)早期極少數(shù)負面評價相同，同樣存在一部分非常支持TBtools的開發(fā)工作,。部分朋友,，甚至將TBtools應(yīng)用于學(xué)校課堂教學(xué)。這是我從未敢想的事,，畢竟TBtools事實上只是我們課題組（前面碩士與現(xiàn)在博士）分析需求的部分體現(xiàn),。
我是一個潮汕人，潮汕人（或者可能是我家人給我的感覺）有一個傳統(tǒng),，即知恩圖報,，更或者說，滴水之恩,，涌泉相報,。

開發(fā)這一功能的起因

在非常支持TBtools開發(fā)的用戶朋友中，其常常與我提起,，

能否開發(fā)出一個支持正則表達式檢索的工具,？用于查找結(jié)構(gòu)域或者特定的模式，如微衛(wèi)星....

總的來說,，我覺得這個功能似乎我并不一定用得到,，所以我或者會建議其去找另外的工具，比如MEME suite的MAST,，或者自己編程實現(xiàn),。但是最后，似乎他還是沒有按照我說的去操作,。
昨晚我在等待數(shù)據(jù)下載的過程中,，再次看到其提起。我想這已經(jīng)是其超過三次的提起,，或許確實可以花時間試試,，畢竟辜負一個一直支持你的人的期待，似乎是一種不講義氣的操作,。我大體想了下,，這個事情似乎還不是我以前想的那么簡單。

1. MAST是不允許gaps的,，其最大的作用是允許misM

2. 自己變成時,，那么多行的序列的回車需要處理,；而如果一次將整條序列讀入內(nèi)存，那么遇到chromosome時,，可能會有內(nèi)存不足,。

3. 序列模式的Overlap的情況需要處理

4. 不定長度的正則要求，可能確實不好找到工具來處理

總的來說,，似乎確實找不到合適的工具可以很好的支持這些需求,。所以，我寫了一個,。

功能的使用

首先是打開TBtools,，找到最新的功能，Fasta Sequence Pattern Locator

需要設(shè)置的是三個參數(shù)：

對于輸入的序列文件,，事實上,，需要保證的只是Fasta格式，而與其序列長度與類型（全基因組序列或者蛋白序列等）沒有關(guān)系,。
對于序列模式,，那么需要用戶對正則表達式有一定的了解，比如挖掘微衛(wèi)星(AT){6,}表示ATATATATATAT....,；或者從mRNA中預(yù)測ORF,，ATG(?:\w{3})+T(?:AG|AA|GA)，隨后對每個序列取最長的一個最長ORF即是,。當然,，也可以使蛋白的某些序列模式...
如果確實不了解正則表達式，其實還是比較簡單,，大概可能知道

Overlap參數(shù),，大體對應(yīng)的就是模式之間是否允許Overlap, 比如ATG\w{111}TGA,，那么在這個模式捕獲出來的序列中間是否有可能出現(xiàn)新的ATG?
Max Sequence Pattern(kb)，查找出來的片段大小,，不能長于這個長度,，如2即2kb,。這個參數(shù)事實上,，也對模式查找存在一定的影響,。對于Overlap模式的，沒有影響,。對于不Overlap的,，可能會丟失一小部分模式。

當所有參數(shù)設(shè)置好之后,，設(shè)置輸出文件,，注意補齊文件名。隨后點擊Start即可,。

輸出結(jié)果

輸出的結(jié)果,，主要分為四列

分別是：

1. 序列ID

2. 起始坐標

3. 終止坐標

4. 匹配到模式的序列

其實是可以支持多個模式一次查找的，但我確實沒有感覺到這個需求的大小,，所以暫時也懶得支持,。