生信人值得拥有的编程模板-Perl

Posted 2021-04-17 宏基因组

为什么要学编程

图1. 重复工作任务量与时间关系[1]

如上图，对于大量重复工作，非编程者(non-geek)工作量和时间是正相关的，就像富士康流水线上的工人，这种工作对于高智商的人是无法忍受(富士康招流水线工人会测智商，高智商不会被分配大量重复工作，容易离职)。而编程者(geek)会分三个阶段：手工操作摸索规律(与non-geek效率相同)、编写程序(被non-geek远远甩开)、运行程序(秒杀non-geek)。

生物信息就是这样一门科学，让重复工作远离人工重复劳动。即使非生信人员，学点编程，在生活中也是非常有乐趣的。

生物信息领域常用语言

个人认为：是否能熟悉使用Shell(项目流程搭建)+R(数据统计与可视化)+Perl/Python等(胶水语言，数据格式转换，软件间衔接)三门语言是一位合格生物信息工程师的标准。

TIOBE世界编程语言使用排行

图2. 2017年10月最新编程语言排名(www.tiobe.com/tiobe-index/)

我们可以看到世界前三是Java, C, C++，大家都听说过；第五是Python，目前在生领领域有取代Perl地位的趋势，目前Perl列第12(比去年同期又下降三位)。R语言的数据分析领域有应用越来越广泛，今年上升三位至15名；Shell由于版本和各类较多，在50-100名间有4种，此语言只建议快速解决小问题，不建议写太长的任务，很容易跨平台不兼容。

总结：

1. 生信常用语言：Shell+R+Python/Perl

2. 世界三大语言：Java, C, C++

3. 生信语言的排名：Python 5th 稳定 , Perl 12th 快速下降, R 15th 快速上升

Perl语言简介

Perl，一种功能丰富的计算机程序语言，运行在超过100种计算机平台上，适用广泛，从大型机到便携设备，从快速原型创建到大规模可扩展开发。
Perl最初的设计者为拉里·沃尔（Larry Wall），于1987年12月18日发表。现在的版本为Perl 6，于2015年12月25日更新。
Perl借取了C、sed、awk、shell 脚本语言以及很多其他程序语言的特性，其中最重要的特性是它内部集成了正则表达式的功能，以及巨大的第三方代码库CPAN。简而言之，Perl像C一样强大，像awk、sed等脚本描述语言一样方便，被Perl语言爱好者称之为“一种拥有各种语言功能的梦幻脚本语言”、“Unix 中的王牌工具”。
Perl 一般被称为“实用报表提取语言”（Practical Extraction and Report Language），你也可能看到“perl”，所有的字母都是小写的。一般，“Perl”，有大写的 P，是指语言本身，而“perl”，小写的 p，是指程序运行的解释器。[1]

Perl写作环境模板推荐

很多人三行两行或直接命令行用perl直接解决问题，虽然快，但是不容重用和别人使用。因此，良好的写作环境和模板是效率和专业的体现，即提高自己的代码重用性，也方便交流和他人使用。

编程环境IDE

推荐使用：Editplus 4.0，网上到处都是注册机和序列号，随便用，下载址搜不到好用的。可以后台回复“editplus”获得下载链接。此软件优点是可配置模板，可直接编辑服务器脚本(省略上传步骤)，高效的代码调试。

编程模板

下面代码为实现常用功能的写作模板，如帮助文档部分(提高代码重用和版本管理，方便其他人使用)，命令行参数管理(可读性的命令行是程序的基础)，程序运行时间统计(项目时间管理)，常用文件读取数据结构样式(方便修改文件输入和输出)等；

下面是实现这样功能的模板：可复制代码，在editplus中保存为template.pl文件。每步有详细的注释，仔细看看吧。

#!/usr/bin/perl -w
# 加载时间管理，参数管理，文件名和路径处理的基础包，无须安装
use POSIX qw(strftime);
use Getopt::Std;
use File::Basename;

###############################################################################
#Scripts usage and about.
# 程序的帮助文档，良好的描述是程序重用和共享的基础，也是程序升级和更新的前提
###############################################################################
sub usage {
    die(
        qq!
Usage:    template.pl -i inpute_file -o output_file -d database -h header num
Function: Template for Perl
Command:  -i inpute file name (Must)
          -o output file name (Must)
          -d database file name
          -h header line number, default 0
Author:   Liu Yong-Xin, [e-mail], QQ:42789409
Version:  v1.0
Update:   2017/10/8
Notes:    

!
    )
}

###############################################################################
#命令行参数据的定义和获取，记录程序初始时间，设置参数默认值
#Get the parameter and provide the usage.
###############################################################################
my %opts;
getopts( 'i:o:d:h:', \%opts );
&usage unless ( exists $opts{i} && exists $opts{o} );
my $start_time=time;
print strftime("Start time is %Y-%m-%d %H:%M:%S
", localtime(time));
print "Input file is $opts{i}
Output file is $opts{o}
";
print "Database file is $opts{d}
" if defined($opts{d});
# 调置参数的初始值，可以添加更多参数的默认值
$opts{h}=1 unless defined($opts{h});

###############################################################################
#读入的数据或注释文件，用于与输入文件比较或注释(可选)，提供三种方式
#Read the database in memory(opt)
###############################################################################
#open DATABASE,"<$opts{d}";
# 1. 散列结构数据库，要求数据文件有唯一ID并且无顺序要求
#my %database; #database in hash
#while (<DATABASE>) {
#    chomp;
#    my @tmp=split/	/;
#    $database{$tmp[1]}=$tmp[2];
#}
# 2. 数组结构数据库，无唯一ID，但有顺序要求
#my (@tmp1,@tmp2); #database in array
#while (<DATABASE>) {
#    chomp;
#    my @tmp=split/	/;
#    push @tmp1,$tmp[1];
#    push @tmp2,@tmp[2];
#}
#close DATABASE;
# 3. 批量数据文件，读取一批有相似结构的文件
#open a list file
#my %list;
#my @filelist=glob "$opts{i}";
#foreach $file(@filelist){
#    open DATABASE,"<$file";
#    $file=basename($file);
#    while (<DATABASE>) {
#        my @tmp=split/	/;
#        $list{$file}{nr}++;
#    }
#    close DATABASE;
#}

###############################################################################
#Main text.
###############################################################################
# 正文部分，读取输入文件，列出输入和输入文件的三行作为示例，方便编程处理数据
open INPUT,"<$opts{i}";
#chrm0    snppos1          ref2     mat_gtyp3        pat_gtyp4        c_gtyp5  phase6   mat_all7 pat_all8 cA9      cC10      cG11      cT12      winning SymCls  SymPval BindingSite     cnv
#1       4648    C       A       C       M       PHASED  C       A       0       11      0       0       M       Asym    0.0009765625    -1      0.902113
open OUTPUT,">$opts{o}";
#chrm    snppos          ref     mat_gtyp        pat_gtyp        c_gtyp  phase   mat_all pat_all cA      cC      cG      cT      winning SymCls  SymPval BindingSite     cnv
#1       4648    C       A       C       M       PHASED  C       A       0       11      0       0       M       Asym    0.0009765625    -1      0.902113

my %count;
# h参数用于去除有文件头的行
while ($opts{h}>0) { #filter header
    $tmp=<INPUT>;
    $opts{h}--;
    # 可选，输出文件也保留文件头
    #print OUTPUT $tmp;
}
# 输入和输入处理部分，常用按行读取处理并输入，默认按tab分割数据
while (<INPUT>) {
    chomp;
    my @tmp=split/	/;
    print OUTPUT "$tmp[0]	$tmp[1]
";
}
close INPUT;
close OUTPUT;

###############################################################################
#Record the program running time!
# 输出程序运行时间
###############################################################################
my $duration_time=time-$start_time;
print strftime("End time is %Y-%m-%d %H:%M:%S
", localtime(time));
print "This compute totally consumed $duration_time s.
";

模板导入Editplus

将上述代码保存为template.pl，在editplus中选择Tools — Preference — Template — Perl，点击template.pl右边的..按键，选择你自己的template.pl即可，以后选择perl脚本会自己加载该模板。
希望对大家有帮助！

Reference

2. https://baike.baidu.com/item/perl

写在后面

学习16S扩增子、宏基因组思路和分析实战，快关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读