-
Notifications
You must be signed in to change notification settings - Fork 11
/
gtf2prom_bad.py
executable file
·177 lines (144 loc) · 5.97 KB
/
gtf2prom_bad.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
#!/usr/bin/env python
from optparse import OptionParser
import gzip, os, pdb, re, sys
import dna, gff
################################################################################
# gtf2prom.py
#
# Produce a GFF file and a fasta file corresponding to the promoter of the
# genes in a gtf fle.
################################################################################
hg19_fa = '/Users/dk/research/common/data/genomes/hg19/sequence/hg19.fa'
################################################################################
# main
################################################################################
def main():
usage = 'usage: %prog [options] <gtf file>'
parser = OptionParser(usage)
parser.add_option('-l', dest='length', type='int', default=2000, help='Promoter length [Default: %default]')
parser.add_option('-n', dest='acgt_t', type='float', default=0.9, help='Proportion of non-N nt\'s allowed [Default: %default]')
parser.add_option('-o', dest='output_pre', help='Output file prefix')
(options,args) = parser.parse_args()
if len(args) != 1:
parser.error('Must provide gtf file')
else:
gtf_file = args[0]
promoters = get_promoters(gtf_file, options.length)
output_promoters(promoters, options.length, options.acgt_t, options.output_pre)
################################################################################
# acgt_pct
################################################################################
def acgt_pct(seq):
acgt = 0
for nt in seq:
if 'ACGTacgt'.find(nt) != -1:
acgt += 1
return float(acgt)/len(seq)
################################################################################
# find_promoter
#
# Determine the position of the promoter from the first exon of the gene
################################################################################
def find_promoter(gene_id, exons, promoter_length):
strand = exons[0].split()[6]
exon_starts = [x.split()[3] for x in exons]
if strand == '+':
exon_starts.sort()
else:
exon_starts.sort(reverse=True)
initial_exon = [x for x in exons if x.split()[3] == exon_starts[0]][0]
return Promoter(initial_exon, promoter_length)
################################################################################
# get_promoters
#
# Make a list of promoters from the linc catalog
################################################################################
def get_promoters(gtf_file, promoter_length):
promoters = []
gene_id = ''
for line in open(gtf_file):
a = line.split('\t')
a[-1] = a[-1].rstrip()
this_gene_id = gff.gtf_kv(a[8])['gene_id']
if this_gene_id != gene_id:
if gene_id:
promoters.append(find_promoter(gene_id, exons, promoter_length))
gene_id = this_gene_id
exons = [line]
else:
exons.append(line)
promoters.append(find_promoter(gene_id, exons, promoter_length))
return promoters
################################################################################
# output_promoters
#
# Output fasta and gff files for the promoters.
################################################################################
def output_promoters(promoters, promoter_length, acgt_t, output_pre):
# hash promoters by chr
chr_hash = {}
for prom in promoters:
chr_hash.setdefault(prom.chr, []).append(prom)
if output_pre:
out_fa = open('%s.fa' % output_pre,'w')
out_gff = open('%s.gff' % output_pre,'w')
else:
out_fa = open('promoters.fa','w')
out_gff = open('promoters.gff','w')
if os.path.isfile(hg19_fa):
genome_in = open(hg19_fa)
elif os.path.isfile(hg19_fa+'.gz'):
genome_in = gzip.open(hg19_fa+'.gz')
else:
print >> sys.stderr, 'No genome %s' % hg19_fa
exit(1)
chrom = ''
line = genome_in.readline()
while line:
if line[0] == '>':
if chrom:
process_chr(chrom, chr_seq, chr_hash.get(chrom,[]), out_fa, out_gff, promoter_length, acgt_t)
chrom = line[1:].rstrip()
chr_seq = ''
else:
chr_seq += line.rstrip()
line = genome_in.readline()
process_chr(chrom, chr_seq, chr_hash.get(chrom,[]), out_fa, out_gff, promoter_length, acgt_t)
out_fa.close()
out_gff.close()
################################################################################
# process_chr
#
# Print promoter information for a single chromosome.
################################################################################
def process_chr(chrom, seq, promoters, out_fa, out_gff, promoter_length, acgt_t):
# grab promoters
for prom in promoters:
if prom.strand == '+':
prom_seq = seq[prom.start:prom.start+promoter_length]
else:
prom_seq = dna.rc(seq[prom.start:prom.start+promoter_length])
if acgt_pct(prom_seq) > acgt_t:
print >> out_fa, '>%s\n%s' % (prom.gtf_kv['transcript_id'], prom_seq)
gff_dat = [chrom, '.', 'promoter', str(prom.start+1), str(prom.start+promoter_length+1-1), '.', prom.strand, '.', gff.kv_gtf(prom.gtf_kv)]
print >> out_gff, '\t'.join(gff_dat)
################################################################################
# Promoter
################################################################################
class Promoter:
def __init__(self, exon_gtf, promoter_length):
a = exon_gtf.split('\t')
a[-1] = a[-1].rstrip()
self.gtf_kv = gff.gtf_kv(a[8])
self.chr = a[0]
self.strand = a[6]
if self.strand == '+':
self.start = max(0, int(a[3]) - promoter_length)
else:
self.start = int(a[4])
################################################################################
# __main__
################################################################################
if __name__ == '__main__':
main()
#pdb.runcall(main)