[Bio] / FigKernelPackages / FIG.pm Repository:
ViewVC logotype

Annotation of /FigKernelPackages/FIG.pm

Parent Directory Parent Directory | Revision Log Revision Log


Revision 1.92 - (view) (download) (as text)

1 : efrank 1.1 package FIG;
2 :    
3 :     use DBrtns;
4 :     use Sim;
5 :     use Blast;
6 :     use FIG_Config;
7 : overbeek 1.36 use tree_utilities;
8 : olson 1.79
9 :     #
10 :     # Conditionally evaluate this in case its prerequisites are not available.
11 :     #
12 :    
13 :     our $ClearinghouseOK = eval {
14 :     require Clearinghouse;
15 :     };
16 : efrank 1.1
17 : olson 1.10 use IO::Socket;
18 :    
19 : efrank 1.1 use FileHandle;
20 :    
21 :     use Carp;
22 :     use Data::Dumper;
23 : overbeek 1.25 use Time::Local;
24 : efrank 1.1
25 :     use strict;
26 :     use Fcntl qw/:flock/; # import LOCK_* constants
27 :    
28 :     sub new {
29 :     my($class) = @_;
30 :    
31 :     my $rdbH = new DBrtns;
32 :     bless {
33 :     _dbf => $rdbH,
34 :     }, $class;
35 :     }
36 :    
37 :     sub DESTROY {
38 :     my($self) = @_;
39 :     my($rdbH);
40 :    
41 :     if ($rdbH = $self->db_handle)
42 :     {
43 :     $rdbH->DESTROY;
44 :     }
45 :     }
46 :    
47 : overbeek 1.7 sub delete_genomes {
48 :     my($self,$genomes) = @_;
49 :     my $tmpD = "$FIG_Config::temp/tmp.deleted.$$";
50 :     my $tmp_Data = "$FIG_Config::temp/Data.$$";
51 :    
52 :     my %to_del = map { $_ => 1 } @$genomes;
53 :     open(TMP,">$tmpD") || die "could not open $tmpD";
54 :    
55 :     my $genome;
56 :     foreach $genome ($self->genomes)
57 :     {
58 :     if (! $to_del{$genome})
59 :     {
60 :     print TMP "$genome\n";
61 :     }
62 :     }
63 :     close(TMP);
64 :    
65 :     &run("extract_genomes $tmpD $FIG_Config::data $tmp_Data");
66 : overbeek 1.47
67 :     # &run("mv $FIG_Config::data $FIG_Config::data.deleted; mv $tmp_Data $FIG_Config::data; fig load_all; rm -rf $FIG_Config::data.deleted");
68 :    
69 :     &run("mv $FIG_Config::data $FIG_Config::data.deleted");
70 :     &run("mv $tmp_Data $FIG_Config::data");
71 :     &run("fig load_all");
72 :     &run("rm -rf $FIG_Config::data.deleted");
73 : overbeek 1.7 }
74 :    
75 : efrank 1.1 sub add_genome {
76 :     my($self,$genomeF) = @_;
77 :    
78 :     my $rc = 0;
79 : overbeek 1.7 if (($genomeF =~ /((.*\/)?(\d+\.\d+))$/) && (! -d "$FIG_Config::organisms/$3"))
80 : efrank 1.1 {
81 :     my $genome = $3;
82 :     my @errors = `$FIG_Config::bin/verify_genome_directory $genomeF`;
83 :     if (@errors == 0)
84 :     {
85 : overbeek 1.81 &run("cp -r $genomeF $FIG_Config::organisms");
86 :     &run("chmod -R 777 $FIG_Config::organisms/$genome");
87 : overbeek 1.18 &run("index_contigs $genome");
88 :     &run("compute_genome_counts $genome");
89 : efrank 1.1 &run("load_features $genome");
90 :     $rc = 1;
91 :     if (-s "$FIG_Config::organisms/$genome/Features/peg/fasta")
92 :     {
93 :     &run("index_translations $genome");
94 :     my @tmp = `cut -f1 $FIG_Config::organisms/$genome/Features/peg/tbl`;
95 : golsen 1.44 chomp @tmp;
96 : overbeek 1.7 &run("cat $FIG_Config::organisms/$genome/Features/peg/fasta >> $FIG_Config::data/Global/nr");
97 :     &make_similarities(\@tmp);
98 : efrank 1.1 }
99 :     if ((-s "$FIG_Config::organisms/$genome/assigned_functions") ||
100 :     (-d "$FIG_Config::organisms/$genome/UserModels"))
101 :     {
102 :     &run("add_assertions_of_function $genome");
103 :     }
104 :     }
105 :     }
106 :     return $rc;
107 :     }
108 :    
109 :     sub make_similarities {
110 :     my($fids) = @_;
111 :     my $fid;
112 :    
113 :     open(TMP,">>$FIG_Config::global/queued_similarities")
114 :     || die "could not open $FIG_Config::global/queued_similarities";
115 :     foreach $fid (@$fids)
116 :     {
117 :     print TMP "$fid\n";
118 :     }
119 :     close(TMP);
120 : olson 1.10 }
121 :    
122 :     sub get_local_hostname {
123 : olson 1.52
124 :     #
125 :     # See if there is a FIGdisk/config/hostname file. If there
126 :     # is, force the hostname to be that.
127 :     #
128 :    
129 :     my $hostfile = "$FIG_Config::fig_disk/config/hostname";
130 :     if (-f $hostfile)
131 :     {
132 :     my $fh;
133 :     if (open($fh, $hostfile))
134 :     {
135 :     my $hostname = <$fh>;
136 :     chomp($hostname);
137 :     return $hostname;
138 :     }
139 :     }
140 :    
141 : olson 1.10 #
142 :     # First check to see if we our hostname is correct.
143 :     #
144 :     # Map it to an IP address, and try to bind to that ip.
145 :     #
146 :    
147 :     my $tcp = getprotobyname('tcp');
148 :    
149 :     my $hostname = `hostname`;
150 : golsen 1.44 chomp($hostname);
151 : olson 1.10
152 :     my @hostent = gethostbyname($hostname);
153 :    
154 :     if (@hostent > 0)
155 :     {
156 :     my $sock;
157 :     my $ip = $hostent[4];
158 :    
159 :     socket($sock, PF_INET, SOCK_STREAM, $tcp);
160 :     if (bind($sock, sockaddr_in(0, $ip)))
161 :     {
162 :     #
163 :     # It worked. Reverse-map back to a hopefully fqdn.
164 :     #
165 :    
166 :     my @rev = gethostbyaddr($ip, AF_INET);
167 :     if (@rev > 0)
168 :     {
169 : olson 1.28 my $host = $rev[0];
170 :     #
171 :     # Check to see if we have a FQDN.
172 :     #
173 :    
174 :     if ($host =~ /\./)
175 :     {
176 :     #
177 :     # Good.
178 :     #
179 :     return $host;
180 :     }
181 :     else
182 :     {
183 :     #
184 :     # We didn't get a fqdn; bail and return the IP address.
185 :     #
186 :     return get_hostname_by_adapter()
187 :     }
188 : olson 1.10 }
189 :     else
190 :     {
191 :     return inet_ntoa($ip);
192 :     }
193 :     }
194 :     else
195 :     {
196 :     #
197 :     # Our hostname must be wrong; we can't bind to the IP
198 :     # address it maps to.
199 :     # Return the name associated with the adapter.
200 :     #
201 :     return get_hostname_by_adapter()
202 :     }
203 :     }
204 :     else
205 :     {
206 :     #
207 :     # Our hostname isn't known to DNS. This isn't good.
208 :     # Return the name associated with the adapter.
209 :     #
210 :     return get_hostname_by_adapter()
211 :     }
212 :     }
213 :    
214 :     sub get_hostname_by_adapter {
215 :     #
216 :     # Attempt to determine our local hostname based on the
217 :     # network environment.
218 :     #
219 :     # This implementation reads the routing table for the default route.
220 :     # We then look at the interface config for the interface that holds the default.
221 :     #
222 :     #
223 :     # Linux routing table:
224 :     # [olson@yips 0.0.0]$ netstat -rn
225 :     # Kernel IP routing table
226 :     # Destination Gateway Genmask Flags MSS Window irtt Iface
227 :     # 140.221.34.32 0.0.0.0 255.255.255.224 U 0 0 0 eth0
228 :     # 169.254.0.0 0.0.0.0 255.255.0.0 U 0 0 0 eth0
229 :     # 127.0.0.0 0.0.0.0 255.0.0.0 U 0 0 0 lo
230 :     # 0.0.0.0 140.221.34.61 0.0.0.0 UG 0 0 0 eth0
231 :     #
232 :     # Mac routing table:
233 :     #
234 :     # bash-2.05a$ netstat -rn
235 :     # Routing tables
236 :     #
237 :     # Internet:
238 :     # Destination Gateway Flags Refs Use Netif Expire
239 :     # default 140.221.11.253 UGSc 12 120 en0
240 :     # 127.0.0.1 127.0.0.1 UH 16 8415486 lo0
241 :     # 140.221.8/22 link#4 UCS 12 0 en0
242 :     # 140.221.8.78 0:6:5b:f:51:c4 UHLW 0 183 en0 408
243 :     # 140.221.8.191 0:3:93:84:ab:e8 UHLW 0 92 en0 622
244 :     # 140.221.8.198 0:e0:98:8e:36:e2 UHLW 0 5 en0 691
245 :     # 140.221.9.6 0:6:5b:f:51:d6 UHLW 1 63 en0 1197
246 :     # 140.221.10.135 0:d0:59:34:26:34 UHLW 2 2134 en0 1199
247 :     # 140.221.10.152 0:30:1b:b0:ec:dd UHLW 1 137 en0 1122
248 :     # 140.221.10.153 127.0.0.1 UHS 0 0 lo0
249 :     # 140.221.11.37 0:9:6b:53:4e:4b UHLW 1 624 en0 1136
250 :     # 140.221.11.103 0:30:48:22:59:e6 UHLW 3 973 en0 1016
251 :     # 140.221.11.224 0:a:95:6f:7:10 UHLW 1 1 en0 605
252 :     # 140.221.11.237 0:1:30:b8:80:c0 UHLW 0 0 en0 1158
253 :     # 140.221.11.250 0:1:30:3:1:0 UHLW 0 0 en0 1141
254 :     # 140.221.11.253 0:d0:3:e:70:a UHLW 13 0 en0 1199
255 :     # 169.254 link#4 UCS 0 0 en0
256 :     #
257 :     # Internet6:
258 :     # Destination Gateway Flags Netif Expire
259 :     # UH lo0
260 :     # fe80::%lo0/64 Uc lo0
261 :     # link#1 UHL lo0
262 :     # fe80::%en0/64 link#4 UC en0
263 :     # 0:a:95:a8:26:68 UHL lo0
264 :     # ff01::/32 U lo0
265 :     # ff02::%lo0/32 UC lo0
266 :     # ff02::%en0/32 link#4 UC en0
267 :    
268 :     my($fh);
269 :    
270 :     if (!open($fh, "netstat -rn |"))
271 :     {
272 :     warn "Cannot run netstat to determine local IP address\n";
273 :     return "localhost";
274 :     }
275 :    
276 :     my $interface_name;
277 :    
278 :     while (<$fh>)
279 :     {
280 :     my @cols = split();
281 :    
282 :     if ($cols[0] eq "default" || $cols[0] eq "0.0.0.0")
283 :     {
284 :     $interface_name = $cols[$#cols];
285 :     }
286 :     }
287 :     close($fh);
288 :    
289 : olson 1.11 # print "Default route on $interface_name\n";
290 : olson 1.10
291 :     #
292 :     # Find ifconfig.
293 :     #
294 :    
295 :     my $ifconfig;
296 :    
297 :     for my $dir ((split(":", $ENV{PATH}), "/sbin", "/usr/sbin"))
298 :     {
299 :     if (-x "$dir/ifconfig")
300 :     {
301 :     $ifconfig = "$dir/ifconfig";
302 :     last;
303 :     }
304 :     }
305 :    
306 :     if ($ifconfig eq "")
307 :     {
308 :     warn "Ifconfig not found\n";
309 :     return "localhost";
310 :     }
311 : olson 1.11 # print "Foudn $ifconfig\n";
312 : olson 1.10
313 :     if (!open($fh, "$ifconfig $interface_name |"))
314 :     {
315 :     warn "Could not run $ifconfig: $!\n";
316 :     return "localhost";
317 :     }
318 :    
319 :     my $ip;
320 :     while (<$fh>)
321 :     {
322 :     #
323 :     # Mac:
324 :     # inet 140.221.10.153 netmask 0xfffffc00 broadcast 140.221.11.255
325 :     # Linux:
326 :     # inet addr:140.221.34.37 Bcast:140.221.34.63 Mask:255.255.255.224
327 :     #
328 :    
329 :     chomp;
330 :     s/^\s*//;
331 :    
332 : olson 1.11 # print "Have '$_'\n";
333 : olson 1.10 if (/inet\s+addr:(\d+\.\d+\.\d+\.\d+)\s+/)
334 :     {
335 :     #
336 :     # Linux hit.
337 :     #
338 :     $ip = $1;
339 : olson 1.11 # print "Got linux $ip\n";
340 : olson 1.10 last;
341 :     }
342 :     elsif (/inet\s+(\d+\.\d+\.\d+\.\d+)\s+/)
343 :     {
344 :     #
345 :     # Mac hit.
346 :     #
347 :     $ip = $1;
348 : olson 1.11 # print "Got mac $ip\n";
349 : olson 1.10 last;
350 :     }
351 :     }
352 :     close($fh);
353 :    
354 :     if ($ip eq "")
355 :     {
356 :     warn "Didn't find an IP\n";
357 :     return "localhost";
358 :     }
359 :    
360 :     return $ip;
361 : efrank 1.1 }
362 :    
363 : olson 1.38 sub get_seed_id {
364 :     #
365 :     # Retrieve the seed identifer from FIGdisk/config/seed_id.
366 :     #
367 :     # If it's not there, create one, and make it readonly.
368 :     #
369 :    
370 :     my $id;
371 :     my $id_file = "$FIG_Config::fig_disk/config/seed_id";
372 :     if (! -f $id_file)
373 :     {
374 :     my $newid = `uuidgen`;
375 :     if (!$newid)
376 :     {
377 :     die "Cannot run uuidgen: $!";
378 :     }
379 :    
380 :     chomp($newid);
381 :     my $fh = new FileHandle(">$id_file");
382 :     if (!$fh)
383 :     {
384 :     die "error creating $id_file: $!";
385 :     }
386 :     print $fh "$newid\n";
387 :     $fh->close();
388 :     chmod(0444, $id_file);
389 :     }
390 :     my $fh = new FileHandle("<$id_file");
391 :     $id = <$fh>;
392 :     chomp($id);
393 :     return $id;
394 :     }
395 :    
396 : efrank 1.1 sub cgi_url {
397 :     return &plug_url($FIG_Config::cgi_url);
398 :     }
399 :    
400 :     sub temp_url {
401 :     return &plug_url($FIG_Config::temp_url);
402 :     }
403 :    
404 :     sub plug_url {
405 :     my($url) = @_;
406 :    
407 : golsen 1.44 my $name;
408 :    
409 :     # Revised by GJO
410 :     # First try to get url from the current http request
411 :    
412 :     if ( defined( $ENV{ 'HTTP_HOST' } ) # This is where $cgi->url gets its value
413 :     && ( $name = $ENV{ 'HTTP_HOST' } )
414 :     && ( $url =~ s~^http://[^/]*~http://$name~ ) # ~ is delimiter
415 :     ) {}
416 :    
417 :     # Otherwise resort to alternative sources
418 :    
419 :     elsif ( ( $name = &get_local_hostname )
420 :     && ( $url =~ s~^http://[^/]*~http://$name~ ) # ~ is delimiter
421 :     ) {}
422 :    
423 : efrank 1.1 return $url;
424 :     }
425 :    
426 : olson 1.90 sub file_read
427 :     {
428 :     my($file) = @_;
429 :    
430 :     if (open(my $fh, "<$file"))
431 :     {
432 :     if (wantarray)
433 :     {
434 :     my @ret = <$fh>;
435 :     return @ret;
436 :     }
437 :     else
438 :     {
439 :     local $/;
440 :     my $text = <$fh>;
441 :     close($fh);
442 :     return $text;
443 :     }
444 :     }
445 :     }
446 :    
447 :    
448 :     sub file_head
449 :     {
450 :     my($file, $n) = @_;
451 :    
452 :     if (!$n)
453 :     {
454 :     $n = 1;
455 :     }
456 :    
457 :     if (open(my $fh, "<$file"))
458 :     {
459 :     my(@ret, $i);
460 :    
461 :     $i = 0;
462 :     while (<$fh>)
463 :     {
464 :     push(@ret, $_);
465 :     $i++;
466 :     last if $i >= $n;
467 :     }
468 :     return @ret;
469 :     }
470 :     }
471 :    
472 :    
473 : efrank 1.1 =pod
474 :    
475 :     =head1 hiding/caching in a FIG object
476 :    
477 :     We save the DB handle, cache taxonomies, and put a few other odds and ends in the
478 :     FIG object. We expect users to invoke these services using the object $fig constructed
479 :     using:
480 :    
481 :     use FIG;
482 :     my $fig = new FIG;
483 :    
484 :     $fig is then used as the basic mechanism for accessing FIG services. It is, of course,
485 :     just a hash that is used to retain/cache data. The most commonly accessed item is the
486 :     DB filehandle, which is accessed via $self->db_handle.
487 :    
488 :     We cache genus/species expansions, taxonomies, distances (very crudely estimated) estimated
489 :     between genomes, and a variety of other things. I am not sure that using cached/2 was a
490 :     good idea, but I did it.
491 :    
492 :     =cut
493 :    
494 :     sub db_handle {
495 :     my($self) = @_;
496 :    
497 :     return $self->{_dbf};
498 :     }
499 :    
500 :     sub cached {
501 :     my($self,$what) = @_;
502 :    
503 :     my $x = $self->{$what};
504 :     if (! $x)
505 :     {
506 :     $x = $self->{$what} = {};
507 :     }
508 :     return $x;
509 :     }
510 :    
511 :     ################ Basic Routines [ existed since WIT ] ##########################
512 :    
513 :    
514 :     =pod
515 :    
516 :     =head1 min
517 :    
518 :     usage: $n = &FIG::min(@x)
519 :    
520 :     Assumes @x contains numeric values. Returns the minimum of the values.
521 :    
522 :     =cut
523 :    
524 :     sub min {
525 :     my(@x) = @_;
526 :     my($min,$i);
527 :    
528 :     (@x > 0) || return undef;
529 :     $min = $x[0];
530 :     for ($i=1; ($i < @x); $i++)
531 :     {
532 :     $min = ($min > $x[$i]) ? $x[$i] : $min;
533 :     }
534 :     return $min;
535 :     }
536 :    
537 :     =pod
538 :    
539 :     =head1 max
540 :    
541 :     usage: $n = &FIG::max(@x)
542 :    
543 :     Assumes @x contains numeric values. Returns the maximum of the values.
544 :    
545 :     =cut
546 :    
547 :     sub max {
548 :     my(@x) = @_;
549 :     my($max,$i);
550 :    
551 :     (@x > 0) || return undef;
552 :     $max = $x[0];
553 :     for ($i=1; ($i < @x); $i++)
554 :     {
555 :     $max = ($max < $x[$i]) ? $x[$i] : $max;
556 :     }
557 :     return $max;
558 :     }
559 :    
560 :     =pod
561 :    
562 :     =head1 between
563 :    
564 :     usage: &FIG::between($x,$y,$z)
565 :    
566 :     Returns true iff $y is between $x and $z.
567 :    
568 :     =cut
569 :    
570 :     sub between {
571 :     my($x,$y,$z) = @_;
572 :    
573 :     if ($x < $z)
574 :     {
575 :     return (($x <= $y) && ($y <= $z));
576 :     }
577 :     else
578 :     {
579 :     return (($x >= $y) && ($y >= $z));
580 :     }
581 :     }
582 :    
583 :     =pod
584 :    
585 :     =head1 standard_genetic_code
586 :    
587 :     usage: $code = &FIG::standard_genetic_code()
588 :    
589 :     Routines like "translate" can take a "genetic code" as an argument. I implemented such
590 :     codes using hashes that assumed uppercase DNA triplets as keys.
591 :    
592 :     =cut
593 :    
594 :     sub standard_genetic_code {
595 :    
596 :     my $code = {};
597 :    
598 :     $code->{"AAA"} = "K";
599 :     $code->{"AAC"} = "N";
600 :     $code->{"AAG"} = "K";
601 :     $code->{"AAT"} = "N";
602 :     $code->{"ACA"} = "T";
603 :     $code->{"ACC"} = "T";
604 :     $code->{"ACG"} = "T";
605 :     $code->{"ACT"} = "T";
606 :     $code->{"AGA"} = "R";
607 :     $code->{"AGC"} = "S";
608 :     $code->{"AGG"} = "R";
609 :     $code->{"AGT"} = "S";
610 :     $code->{"ATA"} = "I";
611 :     $code->{"ATC"} = "I";
612 :     $code->{"ATG"} = "M";
613 :     $code->{"ATT"} = "I";
614 :     $code->{"CAA"} = "Q";
615 :     $code->{"CAC"} = "H";
616 :     $code->{"CAG"} = "Q";
617 :     $code->{"CAT"} = "H";
618 :     $code->{"CCA"} = "P";
619 :     $code->{"CCC"} = "P";
620 :     $code->{"CCG"} = "P";
621 :     $code->{"CCT"} = "P";
622 :     $code->{"CGA"} = "R";
623 :     $code->{"CGC"} = "R";
624 :     $code->{"CGG"} = "R";
625 :     $code->{"CGT"} = "R";
626 :     $code->{"CTA"} = "L";
627 :     $code->{"CTC"} = "L";
628 :     $code->{"CTG"} = "L";
629 :     $code->{"CTT"} = "L";
630 :     $code->{"GAA"} = "E";
631 :     $code->{"GAC"} = "D";
632 :     $code->{"GAG"} = "E";
633 :     $code->{"GAT"} = "D";
634 :     $code->{"GCA"} = "A";
635 :     $code->{"GCC"} = "A";
636 :     $code->{"GCG"} = "A";
637 :     $code->{"GCT"} = "A";
638 :     $code->{"GGA"} = "G";
639 :     $code->{"GGC"} = "G";
640 :     $code->{"GGG"} = "G";
641 :     $code->{"GGT"} = "G";
642 :     $code->{"GTA"} = "V";
643 :     $code->{"GTC"} = "V";
644 :     $code->{"GTG"} = "V";
645 :     $code->{"GTT"} = "V";
646 :     $code->{"TAA"} = "*";
647 :     $code->{"TAC"} = "Y";
648 :     $code->{"TAG"} = "*";
649 :     $code->{"TAT"} = "Y";
650 :     $code->{"TCA"} = "S";
651 :     $code->{"TCC"} = "S";
652 :     $code->{"TCG"} = "S";
653 :     $code->{"TCT"} = "S";
654 :     $code->{"TGA"} = "*";
655 :     $code->{"TGC"} = "C";
656 :     $code->{"TGG"} = "W";
657 :     $code->{"TGT"} = "C";
658 :     $code->{"TTA"} = "L";
659 :     $code->{"TTC"} = "F";
660 :     $code->{"TTG"} = "L";
661 :     $code->{"TTT"} = "F";
662 :    
663 :     return $code;
664 :     }
665 :    
666 :     =pod
667 :    
668 :     =head1 translate
669 :    
670 :     usage: $aa_seq = &FIG::translate($dna_seq,$code,$fix_start);
671 :    
672 :     If $code is undefined, I use the standard genetic code. If $fix_start is true, I
673 :     will translate initial TTG or GTG to 'M'.
674 :    
675 :     =cut
676 :    
677 :     sub translate {
678 :     my( $dna,$code,$start) = @_;
679 :     my( $i,$j,$ln );
680 :     my( $x,$y );
681 :     my( $prot );
682 :    
683 :     if (! defined($code))
684 :     {
685 :     $code = &FIG::standard_genetic_code;
686 :     }
687 :     $ln = length($dna);
688 :     $prot = "X" x ($ln/3);
689 :     $dna =~ tr/a-z/A-Z/;
690 :    
691 :     for ($i=0,$j=0; ($i < ($ln-2)); $i += 3,$j++)
692 :     {
693 :     $x = substr($dna,$i,3);
694 :     if ($y = $code->{$x})
695 :     {
696 :     substr($prot,$j,1) = $y;
697 :     }
698 :     }
699 :    
700 :     if (($start) && ($ln >= 3) && (substr($dna,0,3) =~ /^[GT]TG$/))
701 :     {
702 :     substr($prot,0,1) = 'M';
703 :     }
704 :     return $prot;
705 :     }
706 :    
707 :     =pod
708 :    
709 :     =head1 reverse_comp and rev_comp
710 :    
711 :     usage: $dnaR = &FIG::reverse_comp($dna) or
712 :     $dnaRP = &FIG::rev_comp($seqP)
713 :    
714 :     In WIT, we implemented reverse complement passing a pointer to a sequence and returning
715 :     a pointer to a sequence. In most cases the pointers are a pain (although in a few they
716 :     are just what is needed). Hence, I kept both versions of the function to allow you
717 :     to use whichever you like. Use rev_comp only for long strings where passing pointers is a
718 :     reasonable effeciency issue.
719 :    
720 :     =cut
721 :    
722 :     sub reverse_comp {
723 :     my($seq) = @_;
724 :    
725 :     return ${&rev_comp(\$seq)};
726 :     }
727 :    
728 :     sub rev_comp {
729 :     my( $seqP ) = @_;
730 :     my( $rev );
731 :    
732 :     $rev = reverse( $$seqP );
733 :     $rev =~ tr/a-z/A-Z/;
734 :     $rev =~ tr/ACGTUMRWSYKBDHV/TGCAAKYWSRMVHDB/;
735 :     return \$rev;
736 :     }
737 :    
738 :     =pod
739 :    
740 :     =head1 verify_dir
741 :    
742 :     usage: &FIG::verify_dir($dir)
743 :    
744 :     Makes sure that $dir exists. If it has to create it, it sets permissions to 0777.
745 :    
746 :     =cut
747 :    
748 :     sub verify_dir {
749 :     my($dir) = @_;
750 :    
751 :     if (-d $dir) { return }
752 :     if ($dir =~ /^(.*)\/[^\/]+$/)
753 :     {
754 :     &verify_dir($1);
755 :     }
756 :     mkdir($dir,0777) || die "could not make $dir";
757 : disz 1.60 chmod 02777,$dir;
758 : efrank 1.1 }
759 :    
760 :     =pod
761 :    
762 :     =head1 run
763 :    
764 :     usage: &FIG::run($cmd)
765 :    
766 :     Runs $cmd and fails (with trace) if the command fails.
767 :    
768 :     =cut
769 :    
770 : mkubal 1.53
771 : efrank 1.1 sub run {
772 :     my($cmd) = @_;
773 :    
774 : golsen 1.44 # my @tmp = `date`; chomp @tmp; print STDERR "$tmp[0]: running $cmd\n";
775 : efrank 1.1 (system($cmd) == 0) || confess "FAILED: $cmd";
776 :     }
777 :    
778 : gdpusch 1.45
779 :    
780 :     =pod
781 :    
782 :     =head1 read_fasta_record(\*FILEHANDLE)
783 :    
784 :     Usage: ( $seq_id, $sequence, $comment ) = &read_fasta_record(\*FILEHANDLE);
785 :    
786 :     Function: Reads a FASTA-formatted sequence file one record at a time.
787 :     The input filehandle defaults to STDIN if not specified.
788 :     Returns a sequence ID, a pointer to the sequence, and an optional
789 :     record comment (NOTE: Record comments are deprecated, as some tools
790 :     such as BLAST do not handle them gracefully). Returns an empty list
791 :     if attempting to read a record results in an undefined value
792 :     (e.g., due to reaching the EOF).
793 :    
794 :     Author: Gordon D. Pusch
795 :    
796 :     Date: 2004-Feb-18
797 :    
798 :     =cut
799 :    
800 :     sub read_fasta_record
801 :     {
802 :     my ($file_handle) = @_;
803 : gdpusch 1.46 my ( $old_end_of_record, $fasta_record, @lines, $head, $sequence, $seq_id, $comment, @parsed_fasta_record );
804 : gdpusch 1.45
805 :     if (not defined($file_handle)) { $file_handle = \*STDIN; }
806 :    
807 :     $old_end_of_record = $/;
808 :     $/ = "\n>";
809 :    
810 :     if (defined($fasta_record = <$file_handle>))
811 :     {
812 :     chomp $fasta_record;
813 :     @lines = split( /\n/, $fasta_record );
814 :     $head = shift @lines;
815 :     $head =~ s/^>?//;
816 :     $head =~ m/^(\S+)/;
817 :     $seq_id = $1;
818 :    
819 :     if ($head =~ m/^\S+\s+(.*)$/) { $comment = $1; } else { $comment = ""; }
820 :    
821 :     $sequence = join( "", @lines );
822 :    
823 :     @parsed_fasta_record = ( $seq_id, \$sequence, $comment );
824 :     }
825 :     else
826 :     {
827 :     @parsed_fasta_record = ();
828 :     }
829 :    
830 :     $/ = $old_end_of_record;
831 :    
832 :     return @parsed_fasta_record;
833 :     }
834 :    
835 :    
836 : efrank 1.1 =pod
837 :    
838 :     =head1 display_id_and_seq
839 :    
840 :     usage: &FIG::display_id_and_seq($id_and_comment,$seqP,$fh)
841 :    
842 :     This command has always been used to put out fasta sequences. Note that it
843 :     takes a pointer to the sequence. $fh is optional and defalts to STDOUT.
844 :    
845 :     =cut
846 :    
847 : mkubal 1.53
848 : efrank 1.1 sub display_id_and_seq {
849 :     my( $id, $seq, $fh ) = @_;
850 :    
851 :     if (! defined($fh) ) { $fh = \*STDOUT; }
852 :    
853 :     print $fh ">$id\n";
854 :     &display_seq($seq, $fh);
855 :     }
856 :    
857 :     sub display_seq {
858 :     my ( $seq, $fh ) = @_;
859 :     my ( $i, $n, $ln );
860 :    
861 :     if (! defined($fh) ) { $fh = \*STDOUT; }
862 :    
863 :     $n = length($$seq);
864 :     # confess "zero-length sequence ???" if ( (! defined($n)) || ($n == 0) );
865 :     for ($i=0; ($i < $n); $i += 60)
866 :     {
867 :     if (($i + 60) <= $n)
868 :     {
869 :     $ln = substr($$seq,$i,60);
870 :     }
871 :     else
872 :     {
873 :     $ln = substr($$seq,$i,($n-$i));
874 :     }
875 :     print $fh "$ln\n";
876 :     }
877 :     }
878 :    
879 :     ########## I commented the pods on the following routines out, since they should not
880 :     ########## be part of the SOAP/WSTL interface
881 :     #=pod
882 :     #
883 :     #=head1 file2N
884 :     #
885 :     #usage: $n = $fig->file2N($file)
886 :     #
887 :     #In some of the databases I need to store filenames, which can waste a lot of
888 :     #space. Hence, I maintain a database for converting filenames to/from integers.
889 :     #
890 :     #=cut
891 :     #
892 :     sub file2N {
893 :     my($self,$file) = @_;
894 :     my($relational_db_response);
895 :    
896 :     my $rdbH = $self->db_handle;
897 :    
898 :     if (($relational_db_response = $rdbH->SQL("SELECT fileno FROM file_table WHERE ( file = \'$file\')")) &&
899 :     (@$relational_db_response == 1))
900 :     {
901 :     return $relational_db_response->[0]->[0];
902 :     }
903 :     elsif (($relational_db_response = $rdbH->SQL("SELECT MAX(fileno) FROM file_table ")) && (@$relational_db_response == 1) && ($relational_db_response->[0]->[0]))
904 :     {
905 :     my $fileno = $relational_db_response->[0]->[0] + 1;
906 :     if ($rdbH->SQL("INSERT INTO file_table ( file, fileno ) VALUES ( \'$file\', $fileno )"))
907 :     {
908 :     return $fileno;
909 :     }
910 :     }
911 :     elsif ($rdbH->SQL("INSERT INTO file_table ( file, fileno ) VALUES ( \'$file\', 1 )"))
912 :     {
913 :     return 1;
914 :     }
915 :     return undef;
916 :     }
917 :    
918 :     #=pod
919 :     #
920 :     #=head1 N2file
921 :     #
922 :     #usage: $filename = $fig->N2file($n)
923 :     #
924 :     #In some of the databases I need to store filenames, which can waste a lot of
925 :     #space. Hence, I maintain a database for converting filenames to/from integers.
926 :     #
927 :     #=cut
928 :     #
929 :     sub N2file {
930 :     my($self,$fileno) = @_;
931 :     my($relational_db_response);
932 :    
933 :     my $rdbH = $self->db_handle;
934 :    
935 :     if (($relational_db_response = $rdbH->SQL("SELECT file FROM file_table WHERE ( fileno = $fileno )")) &&
936 :     (@$relational_db_response == 1))
937 :     {
938 :     return $relational_db_response->[0]->[0];
939 :     }
940 :     return undef;
941 :     }
942 :    
943 :    
944 :     #=pod
945 :     #
946 :     #=head1 openF
947 :     #
948 :     #usage: $fig->openF($filename)
949 :     #
950 :     #Parts of the system rely on accessing numerous different files. The most obvious case is
951 :     #the situation with similarities. It is important that the system be able to run in cases in
952 :     #which an arbitrary number of files cannot be open simultaneously. This routine (with closeF) is
953 :     #a hack to handle this. I should probably just pitch them and insist that the OS handle several
954 :     #hundred open filehandles.
955 :     #
956 :     #=cut
957 :     #
958 :     sub openF {
959 :     my($self,$file) = @_;
960 :     my($fxs,$x,@fxs,$fh);
961 :    
962 :     $fxs = $self->cached('_openF');
963 :     if ($x = $fxs->{$file})
964 :     {
965 :     $x->[1] = time();
966 :     return $x->[0];
967 :     }
968 :    
969 :     @fxs = keys(%$fxs);
970 :     if (defined($fh = new FileHandle "<$file"))
971 :     {
972 : overbeek 1.84 if (@fxs >= 205)
973 : efrank 1.1 {
974 :     @fxs = sort { $fxs->{$a}->[1] <=> $fxs->{$b}->[1] } @fxs;
975 :     $x = $fxs->{$fxs[0]};
976 :     undef $x->[0];
977 :     delete $fxs->{$fxs[0]};
978 :     }
979 :     $fxs->{$file} = [$fh,time()];
980 :     return $fh;
981 :     }
982 :     return undef;
983 :     }
984 :    
985 :     #=pod
986 :     #
987 :     #=head1 closeF
988 :     #
989 :     #usage: $fig->closeF($filename)
990 :     #
991 :     #Parts of the system rely on accessing numerous different files. The most obvious case is
992 :     #the situation with similarities. It is important that the system be able to run in cases in
993 :     #which an arbitrary number of files cannot be open simultaneously. This routine (with openF) is
994 :     #a hack to handle this. I should probably just pitch them and insist that the OS handle several
995 :     #hundred open filehandles.
996 :     #
997 :     #=cut
998 :     #
999 :     sub closeF {
1000 :     my($self,$file) = @_;
1001 :     my($fxs,$x);
1002 :    
1003 :     if (($fxs = $self->{_openF}) &&
1004 :     ($x = $fxs->{$file}))
1005 :     {
1006 :     undef $x->[0];
1007 :     delete $fxs->{$file};
1008 :     }
1009 :     }
1010 :    
1011 :     =pod
1012 :    
1013 :     =head1 ec_name
1014 :    
1015 :     usage: $enzymatic_function = $fig->ec_name($ec)
1016 :    
1017 :     Returns enzymatic name for EC.
1018 :    
1019 :     =cut
1020 :    
1021 :     sub ec_name {
1022 :     my($self,$ec) = @_;
1023 :    
1024 :     ($ec =~ /^\d+\.\d+\.\d+\.\d+$/) || return "";
1025 :     my $rdbH = $self->db_handle;
1026 :     my $relational_db_response = $rdbH->SQL("SELECT name FROM ec_names WHERE ( ec = \'$ec\' )");
1027 :    
1028 :     return (@$relational_db_response == 1) ? $relational_db_response->[0]->[0] : "";
1029 :     return "";
1030 :     }
1031 :    
1032 :     =pod
1033 :    
1034 :     =head1 all_roles
1035 :    
1036 :     usage: @roles = $fig->all_roles
1037 :    
1038 : mkubal 1.54 Supposed to return all known roles. For now, we get all ECs with "names".
1039 : efrank 1.1
1040 :     =cut
1041 :    
1042 :     sub all_roles {
1043 :     my($self) = @_;
1044 :    
1045 :     my $rdbH = $self->db_handle;
1046 :     my $relational_db_response = $rdbH->SQL("SELECT ec,name FROM ec_names");
1047 :    
1048 :     return @$relational_db_response;
1049 :     }
1050 :    
1051 :     =pod
1052 :    
1053 :     =head1 expand_ec
1054 :    
1055 :     usage: $expanded_ec = $fig->expand_ec($ec)
1056 :    
1057 :     Expands "1.1.1.1" to "1.1.1.1 - alcohol dehydrogenase" or something like that.
1058 :    
1059 :     =cut
1060 :    
1061 :     sub expand_ec {
1062 :     my($self,$ec) = @_;
1063 :     my($name);
1064 :    
1065 :     return ($name = $self->ec_name($ec)) ? "$ec - $name" : $ec;
1066 :     }
1067 :    
1068 :    
1069 :     =pod
1070 :    
1071 :     =head1 clean_tmp
1072 :    
1073 :     usage: &FIG::clean_tmp
1074 :    
1075 :     We store temporary files in $FIG_Config::temp. There are specific classes of files
1076 :     that are created and should be saved for at least a few days. This routine can be
1077 :     invoked to clean out those that are over two days old.
1078 :    
1079 :     =cut
1080 :    
1081 :     sub clean_tmp {
1082 :    
1083 :     my($file);
1084 :     if (opendir(TMP,"$FIG_Config::temp"))
1085 :     {
1086 :     # change the pattern to pick up other files that need to be cleaned up
1087 :     my @temp = grep { $_ =~ /^(Geno|tmp)/ } readdir(TMP);
1088 :     foreach $file (@temp)
1089 :     {
1090 :     if (-M "$FIG_Config::temp/$file" > 2)
1091 :     {
1092 :     unlink("$FIG_Config::temp/$file");
1093 :     }
1094 :     }
1095 :     }
1096 :     }
1097 :    
1098 :     ################ Routines to process genomes and genome IDs ##########################
1099 :    
1100 :    
1101 :     =pod
1102 :    
1103 :     =head1 genomes
1104 :    
1105 :     usage: @genome_ids = $fig->genomes;
1106 :    
1107 :     Genomes are assigned ids of the form X.Y where X is the taxonomic id maintained by
1108 :     NCBI for the species (not the specific strain), and Y is a sequence digit assigned to
1109 :     this particular genome (as one of a set with the same genus/species). Genomes also
1110 :     have versions, but that is a separate issue.
1111 :    
1112 :     =cut
1113 :    
1114 :     sub genomes {
1115 : overbeek 1.13 my($self,$complete,$restrictions) = @_;
1116 :    
1117 :     my $rdbH = $self->db_handle;
1118 :    
1119 :     my @where = ();
1120 :     if ($complete)
1121 :     {
1122 :     push(@where,"( complete = \'1\' )")
1123 :     }
1124 :    
1125 :     if ($restrictions)
1126 :     {
1127 :     push(@where,"( restrictions = \'1\' )")
1128 :     }
1129 :    
1130 :     my $relational_db_response;
1131 :     if (@where > 0)
1132 :     {
1133 :     my $where = join(" AND ",@where);
1134 :     $relational_db_response = $rdbH->SQL("SELECT genome FROM genome where $where");
1135 :     }
1136 :     else
1137 :     {
1138 :     $relational_db_response = $rdbH->SQL("SELECT genome FROM genome");
1139 :     }
1140 :     my @genomes = sort { $a <=> $b } map { $_->[0] } @$relational_db_response;
1141 : efrank 1.1 return @genomes;
1142 :     }
1143 :    
1144 : efrank 1.2 sub genome_counts {
1145 : overbeek 1.13 my($self,$complete) = @_;
1146 :     my($x,$relational_db_response);
1147 : efrank 1.2
1148 : overbeek 1.13 my $rdbH = $self->db_handle;
1149 :    
1150 :     if ($complete)
1151 :     {
1152 :     $relational_db_response = $rdbH->SQL("SELECT genome,maindomain FROM genome where complete = '1'");
1153 :     }
1154 :     else
1155 :     {
1156 :     $relational_db_response = $rdbH->SQL("SELECT genome,maindomain FROM genome");
1157 :     }
1158 :    
1159 :     my ($a,$b,$e,$v) = (0,0,0,0);
1160 :     if (@$relational_db_response > 0)
1161 : efrank 1.2 {
1162 : overbeek 1.13 foreach $x (@$relational_db_response)
1163 : efrank 1.2 {
1164 : overbeek 1.13 if ($x->[1] =~ /^a/i) { $a++ }
1165 :     elsif ($x->[1] =~ /^b/i) { $b++ }
1166 :     elsif ($x->[1] =~ /^e/i) { $e++ }
1167 :     elsif ($x->[1] =~ /^v/i) { $v++ }
1168 : efrank 1.2 }
1169 :     }
1170 : overbeek 1.13
1171 : efrank 1.2 return ($a,$b,$e,$v);
1172 :     }
1173 :    
1174 : gdpusch 1.92
1175 :     =pod
1176 :    
1177 :     =head1 genome_pegs
1178 :    
1179 :     usage: $pegs = $fig->genome_pegs($genome_id);
1180 :    
1181 :     Returns the number of DNA base-pairs in the genome contigs file(s) if
1182 :     "$genome_id" is in the "genome" database, and 'undef' otherwise.
1183 :    
1184 :     =cut
1185 :    
1186 :     sub genome_pegs {
1187 :     my($self,$genome) = @_;
1188 :     my $relational_db_response;
1189 :     my $rdbH = $self->db_handle;
1190 :    
1191 :     if ($genome)
1192 :     {
1193 :     if (($relational_db_response = $rdbH->SQL("SELECT pegs FROM genome WHERE ( genome = \'$genome\' )"))
1194 :     && (@$relational_db_response == 1))
1195 :     {
1196 :     return $relational_db_response->[0]->[0];
1197 :     }
1198 :     }
1199 :     return undef;
1200 :     }
1201 :    
1202 :    
1203 : efrank 1.1 =pod
1204 :    
1205 : gdpusch 1.92 =head1 genome_rnas
1206 :    
1207 :     usage: $rnas = $fig->genome_rnas($genome_id);
1208 :    
1209 :     Returns the number of DNA base-pairs in the genome contigs file(s) if
1210 :     "$genome_id" is in the "genome" database, and 'undef' otherwise.
1211 :    
1212 :     =cut
1213 :    
1214 :     sub genome_rnas {
1215 :     my($self,$genome) = @_;
1216 :     my $relational_db_response;
1217 :     my $rdbH = $self->db_handle;
1218 :    
1219 :     if ($genome)
1220 :     {
1221 :     if (($relational_db_response = $rdbH->SQL("SELECT rnas FROM genome WHERE ( genome = \'$genome\' )"))
1222 :     && (@$relational_db_response == 1))
1223 :     {
1224 :     return $relational_db_response->[0]->[0];
1225 :     }
1226 :     }
1227 :     return undef;
1228 :     }
1229 :    
1230 :    
1231 :     =pod
1232 :    
1233 :     =head1 genome_szdna
1234 : efrank 1.1
1235 : gdpusch 1.92 usage: $szdna = $fig->genome_szdna($genome_id);
1236 : gdpusch 1.91
1237 :     Returns the number of DNA base-pairs in the genome contigs file(s) if
1238 :     "$genome_id" is in the "genome" database, and 'undef' otherwise.
1239 :    
1240 :     =cut
1241 :    
1242 : gdpusch 1.92 sub genome_szdna {
1243 : gdpusch 1.91 my($self,$genome) = @_;
1244 :     my $relational_db_response;
1245 :     my $rdbH = $self->db_handle;
1246 :    
1247 :     if ($genome)
1248 :     {
1249 :     if (($relational_db_response = $rdbH->SQL("SELECT szdna FROM genome WHERE ( genome = \'$genome\' )"))
1250 :     && (@$relational_db_response == 1))
1251 :     {
1252 :     return $relational_db_response->[0]->[0];
1253 :     }
1254 :     }
1255 :     return undef;
1256 :     }
1257 :    
1258 :    
1259 :     =pod
1260 :    
1261 :     =head1 genome_version
1262 :    
1263 : efrank 1.1 usage: $version = $fig->genome_version($genome_id);
1264 :    
1265 :     Versions are incremented for major updates. They are put in as major
1266 :     updates of the form 1.0, 2.0, ...
1267 :    
1268 :     Users may do local "editing" of the DNA for a genome, but when they do,
1269 :     they increment the digits to the right of the decimal. Two genomes remain
1270 :     comparable only if the versions match identically. Hence, minor updating should be
1271 :     committed only by the person/group responsible for updating that genome.
1272 :    
1273 :     We can, of course, identify which genes are identical between any two genomes (by matching
1274 :     the DNA or amino acid sequences). However, the basic intent of the system is to
1275 :     support editing by the main group issuing periodic major updates.
1276 :    
1277 :     =cut
1278 :    
1279 :     sub genome_version {
1280 :     my($self,$genome) = @_;
1281 :    
1282 :     my(@tmp);
1283 :     if ((-s "$FIG_Config::organisms/$genome/VERSION") &&
1284 :     (@tmp = `cat $FIG_Config::organisms/$genome/VERSION`) &&
1285 : overbeek 1.84 ($tmp[0] =~ /^(\S+)$/))
1286 : efrank 1.1 {
1287 :     return $1;
1288 :     }
1289 :     return undef;
1290 :     }
1291 :    
1292 :     =pod
1293 :    
1294 :     =head1 genus_species
1295 :    
1296 :     usage: $gs = $fig->genus_species($genome_id)
1297 :    
1298 :     Returns the genus and species (and strain if that has been properly recorded)
1299 :     in a printable form.
1300 :    
1301 :     =cut
1302 :    
1303 :     sub genus_species {
1304 :     my ($self,$genome) = @_;
1305 : overbeek 1.13 my $ans;
1306 : efrank 1.1
1307 :     my $genus_species = $self->cached('_genus_species');
1308 :     if (! ($ans = $genus_species->{$genome}))
1309 :     {
1310 : overbeek 1.13 my $rdbH = $self->db_handle;
1311 :     my $relational_db_response = $rdbH->SQL("SELECT genome,gname FROM genome");
1312 :     my $pair;
1313 :     foreach $pair (@$relational_db_response)
1314 : efrank 1.1 {
1315 : overbeek 1.13 $genus_species->{$pair->[0]} = $pair->[1];
1316 : efrank 1.1 }
1317 : overbeek 1.13 $ans = $genus_species->{$genome};
1318 : efrank 1.1 }
1319 :     return $ans;
1320 :     }
1321 :    
1322 :     =pod
1323 :    
1324 :     =head1 org_of
1325 :    
1326 :     usage: $org = $fig->org_of($prot_id)
1327 :    
1328 :     In the case of external proteins, we can usually determine an organism, but not
1329 :     anything more precise than genus/species (and often not that). This routine takes
1330 : efrank 1.2 a protein ID (which may be a feature ID) and returns "the organism".
1331 : efrank 1.1
1332 :     =cut
1333 :    
1334 :     sub org_of {
1335 :     my($self,$prot_id) = @_;
1336 :     my $relational_db_response;
1337 :     my $rdbH = $self->db_handle;
1338 :    
1339 :     if ($prot_id =~ /^fig\|/)
1340 :     {
1341 :     return $self->genus_species($self->genome_of($prot_id));
1342 :     }
1343 :    
1344 :     if (($relational_db_response = $rdbH->SQL("SELECT org FROM external_orgs WHERE ( prot = \'$prot_id\' )")) &&
1345 :     (@$relational_db_response >= 1))
1346 :     {
1347 :     return $relational_db_response->[0]->[0];
1348 :     }
1349 :     return "";
1350 :     }
1351 :    
1352 :     =pod
1353 :    
1354 :     =head1 abbrev
1355 :    
1356 :     usage: $abbreviated_name = $fig->abbrev($genome_name)
1357 :    
1358 :     For alignments and such, it is very useful to be able to produce an abbreviation of genus/species.
1359 :     That's what this does. Note that multiple genus/species might reduce to the same abbreviation, so
1360 :     be careful (disambiguate them, if you must).
1361 :    
1362 :     =cut
1363 :    
1364 :     sub abbrev {
1365 :     my($genome_name) = @_;
1366 :    
1367 :     $genome_name =~ s/^(\S{3})\S+/$1./;
1368 :     $genome_name =~ s/^(\S+\s+\S{4})\S+/$1./;
1369 :     if (length($genome_name) > 13)
1370 :     {
1371 :     $genome_name = substr($genome_name,0,13);
1372 :     }
1373 :     return $genome_name;
1374 :     }
1375 :    
1376 :     ################ Routines to process Features and Feature IDs ##########################
1377 :    
1378 :     =pod
1379 :    
1380 :     =head1 ftype
1381 :    
1382 :     usage: $type = &FIG::ftype($fid)
1383 :    
1384 :     Returns the type of a feature, given the feature ID. This just amounts
1385 :     to lifting it out of the feature ID, since features have IDs of tghe form
1386 :    
1387 :     fig|x.y.f.n
1388 :    
1389 :     where
1390 :     x.y is the genome ID
1391 :     f is the type pf feature
1392 :     n is an integer that is unique within the genome/type
1393 :    
1394 :     =cut
1395 :    
1396 :     sub ftype {
1397 :     my($feature_id) = @_;
1398 :    
1399 :     if ($feature_id =~ /^fig\|\d+\.\d+\.([^\.]+)/)
1400 :     {
1401 :     return $1;
1402 :     }
1403 :     return undef;
1404 :     }
1405 :    
1406 :     =pod
1407 :    
1408 :     =head1 genome_of
1409 :    
1410 :     usage: $genome_id = $fig->genome_of($fid)
1411 :    
1412 :     This just extracts the genome ID from a feature ID.
1413 :    
1414 :     =cut
1415 :    
1416 :    
1417 :     sub genome_of {
1418 :     my $prot_id = (@_ == 1) ? $_[0] : $_[1];
1419 :    
1420 :     if ($prot_id =~ /^fig\|(\d+\.\d+)/) { return $1; }
1421 :     return undef;
1422 :     }
1423 :    
1424 :     =pod
1425 :    
1426 :     =head1 by_fig_id
1427 :    
1428 :     usage: @sorted_by_fig_id = sort { &FIG::by_fig_id($a,$b) } @fig_ids
1429 :    
1430 :     This is a bit of a clutzy way to sort a list of FIG feature IDs, but it works.
1431 :    
1432 :     =cut
1433 :    
1434 :     sub by_fig_id {
1435 :     my($a,$b) = @_;
1436 :     my($g1,$g2,$t1,$t2,$n1,$n2);
1437 :     if (($a =~ /^fig\|(\d+\.\d+).([^\.]+)\.(\d+)$/) && (($g1,$t1,$n1) = ($1,$2,$3)) &&
1438 :     ($b =~ /^fig\|(\d+\.\d+).([^\.]+)\.(\d+)$/) && (($g2,$t2,$n2) = ($1,$2,$3)))
1439 :     {
1440 :     ($g1 <=> $g2) or ($t1 cmp $t2) or ($n1 <=> $n2);
1441 :     }
1442 :     else
1443 :     {
1444 :     $a cmp $b;
1445 :     }
1446 :     }
1447 :    
1448 :     =pod
1449 :    
1450 :     =head1 genes_in_region
1451 :    
1452 :     usage: ($features_in_region,$beg1,$end1) = $fig->genes_in_region($genome,$contig,$beg,$end)
1453 :    
1454 :     It is often important to be able to find the genes that occur in a specific region on
1455 :     a chromosome. This routine is designed to provide this information. It returns all genes
1456 :     that overlap the region ($genome,$contig,$beg,$end). $beg1 is set to the minimum coordinate of
1457 :     the returned genes (which may be before the given region), and $end1 the maximum coordinate.
1458 :    
1459 :     The routine assumes that genes are not more than 10000 bases long, which is certainly not true
1460 :     in eukaryotes. Hence, in euks you may well miss genes that overlap the boundaries of the specified
1461 :     region (sorry).
1462 :    
1463 :     =cut
1464 :    
1465 :    
1466 :     sub genes_in_region {
1467 :     my($self,$genome,$contig,$beg,$end) = @_;
1468 :     my($x,$relational_db_response,$feature_id,$b1,$e1,@feat,@tmp,$l,$u);
1469 :    
1470 :     my $pad = 10000;
1471 :     my $rdbH = $self->db_handle;
1472 :    
1473 :     my $minV = $beg - $pad;
1474 :     my $maxV = $end + $pad;
1475 :     if (($relational_db_response = $rdbH->SQL("SELECT id FROM features
1476 :     WHERE ( minloc > $minV ) AND ( minloc < $maxV ) AND (maxloc < $maxV) AND
1477 :     ( genome = \'$genome\' ) AND ( contig = \'$contig\' );")) &&
1478 :     (@$relational_db_response >= 1))
1479 :     {
1480 :     @tmp = sort { ($a->[1] cmp $b->[1]) or
1481 :     ($a->[2] <=> $b->[2]) or
1482 :     ($a->[3] <=> $b->[3])
1483 :     }
1484 :     map { $feature_id = $_->[0];
1485 :     $x = $self->feature_location($feature_id);
1486 :     $x ? [$feature_id,&boundaries_of($x)] : ()
1487 :     } @$relational_db_response;
1488 :    
1489 :    
1490 :     ($l,$u) = (10000000000,0);
1491 :     foreach $x (@tmp)
1492 :     {
1493 :     ($feature_id,undef,$b1,$e1) = @$x;
1494 :     if (&between($beg,&min($b1,$e1),$end) || &between(&min($b1,$e1),$beg,&max($b1,$e1)))
1495 :     {
1496 :     push(@feat,$feature_id);
1497 :     $l = &min($l,&min($b1,$e1));
1498 :     $u = &max($u,&max($b1,$e1));
1499 :     }
1500 :     }
1501 :     (@feat <= 0) || return ([@feat],$l,$u);
1502 :     }
1503 :     return ([],$l,$u);
1504 :     }
1505 :    
1506 :     sub close_genes {
1507 :     my($self,$fid,$dist) = @_;
1508 :    
1509 :     my $loc = $self->feature_location($fid);
1510 :     if ($loc)
1511 :     {
1512 :     my($contig,$beg,$end) = &FIG::boundaries_of($loc);
1513 :     if ($contig && $beg && $end)
1514 :     {
1515 :     my $min = &min($beg,$end) - $dist;
1516 :     my $max = &max($beg,$end) + $dist;
1517 :     my $feat;
1518 :     ($feat,undef,undef) = $self->genes_in_region(&FIG::genome_of($fid),$contig,$min,$max);
1519 :     return @$feat;
1520 :     }
1521 :     }
1522 :     return ();
1523 :     }
1524 :    
1525 :    
1526 :     =pod
1527 :    
1528 :     =head1 feature_location
1529 :    
1530 :     usage: $loc = $fig->feature_location($fid) OR
1531 :     @loc = $fig->feature_location($fid)
1532 :    
1533 :     The location of a feature in a scalar context is
1534 :    
1535 :     contig_b1_e1,contig_b2_e2,... [one contig_b_e for each exon]
1536 :    
1537 :     In a list context it is
1538 :    
1539 :     (contig_b1_e1,contig_b2_e2,...)
1540 :    
1541 :     =cut
1542 :    
1543 :     sub feature_location {
1544 :     my($self,$feature_id) = @_;
1545 :     my($relational_db_response,$locations,$location);
1546 :    
1547 :     $locations = $self->cached('_location');
1548 :     if (! ($location = $locations->{$feature_id}))
1549 :     {
1550 :     my $rdbH = $self->db_handle;
1551 :     if (($relational_db_response = $rdbH->SQL("SELECT location FROM features WHERE ( id = \'$feature_id\' )")) &&
1552 :     (@$relational_db_response == 1))
1553 :     {
1554 :     $locations->{$feature_id} = $location = $relational_db_response->[0]->[0];
1555 :     }
1556 :     }
1557 :    
1558 :     if ($location)
1559 :     {
1560 :     return wantarray() ? split(/,/,$location) : $location;
1561 :     }
1562 :     return undef;
1563 :     }
1564 :    
1565 :     =pod
1566 :    
1567 :     =head1 boundaries_of
1568 :    
1569 :     usage: ($contig,$beg,$end) = $fig->boundaries_of($loc)
1570 :    
1571 :     The location of a feature in a scalar context is
1572 :    
1573 :     contig_b1_e1,contig_b2_e2,... [one contig_b_e for each exon]
1574 :    
1575 :     This routine takes as input such a location and reduces it to a single
1576 :     description of the entire region containing the gene.
1577 :    
1578 :     =cut
1579 :    
1580 :     sub boundaries_of {
1581 :     my($location) = (@_ == 1) ? $_[0] : $_[1];
1582 :     my($contigQ);
1583 :    
1584 :     if (defined($location))
1585 :     {
1586 :     my @exons = split(/,/,$location);
1587 :     my($contig,$beg,$end);
1588 :     if (($exons[0] =~ /^(\S+)_(\d+)_\d+$/) &&
1589 :     (($contig,$beg) = ($1,$2)) && ($contigQ = quotemeta $contig) &&
1590 :     ($exons[$#exons] =~ /^$contigQ\_\d+_(\d+)$/) &&
1591 :     ($end = $1))
1592 :     {
1593 :     return ($contig,$beg,$end);
1594 :     }
1595 :     }
1596 :     return undef;
1597 :     }
1598 :    
1599 :    
1600 :     =pod
1601 :    
1602 :     =head1 all_features
1603 :    
1604 :     usage: $fig->all_features($genome,$type)
1605 :    
1606 :     Returns a list of all feature IDs of a specified type in the designated genome. You would
1607 :     usually use just
1608 :    
1609 :     $fig->pegs_of($genome) or
1610 :     $fig->rnas_of($genome)
1611 :    
1612 :     which simply invoke this routine.
1613 :    
1614 :     =cut
1615 :    
1616 :     sub all_features {
1617 :     my($self,$genome,$type) = @_;
1618 :    
1619 :     my $rdbH = $self->db_handle;
1620 :     my $relational_db_response = $rdbH->SQL("SELECT id FROM features WHERE (genome = \'$genome\' AND (type = \'$type\'))");
1621 :    
1622 :     if (@$relational_db_response > 0)
1623 :     {
1624 :     return map { $_->[0] } @$relational_db_response;
1625 :     }
1626 :     return ();
1627 :     }
1628 :    
1629 :    
1630 :     =pod
1631 :    
1632 :     =head1 all_pegs_of
1633 :    
1634 :     usage: $fig->all_pegs_of($genome)
1635 :    
1636 :     Returns a list of all PEGs in the specified genome. Note that order is not
1637 :     specified.
1638 :    
1639 :     =cut
1640 :    
1641 :     sub pegs_of {
1642 :     my($self,$genome) = @_;
1643 :    
1644 :     return $self->all_features($genome,"peg");
1645 :     }
1646 :    
1647 :    
1648 :     =pod
1649 :    
1650 :     =head1 all_rnas_of
1651 :    
1652 :     usage: $fig->all_rnas($genome)
1653 :    
1654 :     Returns a list of all RNAs for the given genome.
1655 :    
1656 :     =cut
1657 :    
1658 :     sub rnas_of {
1659 :     my($self,$genome) = @_;
1660 :    
1661 :     return $self->all_features($genome,"rna");
1662 :     }
1663 :    
1664 :     =pod
1665 :    
1666 :     =head1 feature_aliases
1667 :    
1668 :     usage: @aliases = $fig->feature_aliases($fid) OR
1669 :     $aliases = $fig->feature_aliases($fid)
1670 :    
1671 :     Returns a list of aliases (gene IDs, arbitrary numbers assigned by authors, etc.) for the feature.
1672 :     These must come from the tbl files, so add them there if you want to see them here.
1673 :    
1674 :     In a scalar context, the aliases come back with commas separating them.
1675 :    
1676 :     =cut
1677 :    
1678 :     sub feature_aliases {
1679 :     my($self,$feature_id) = @_;
1680 : overbeek 1.87 my($rdbH,$relational_db_response,@aliases,$aliases,%aliases,$x);
1681 : efrank 1.1
1682 :     $rdbH = $self->db_handle;
1683 : overbeek 1.87 @aliases = ();
1684 : efrank 1.1 if (($relational_db_response = $rdbH->SQL("SELECT aliases FROM features WHERE ( id = \'$feature_id\' )")) &&
1685 :     (@$relational_db_response == 1))
1686 :     {
1687 :     $aliases = $relational_db_response->[0]->[0];
1688 : overbeek 1.87 %aliases = map { $_ => 1 } split(/,/,$aliases);
1689 :     if (($relational_db_response = $rdbH->SQL("SELECT alias FROM ext_alias WHERE ( id = \'$feature_id\' )")) &&
1690 :     (@$relational_db_response > 0))
1691 :     {
1692 :     foreach $x (@$relational_db_response)
1693 :     {
1694 :     $aliases{$x->[0]} = 1;
1695 :     }
1696 :     }
1697 :     @aliases = sort keys(%aliases);
1698 : efrank 1.1 }
1699 : overbeek 1.87
1700 :     return ((@aliases > 0) ? (wantarray() ? @aliases : join(",",@aliases)) : undef);
1701 : efrank 1.1 }
1702 :    
1703 :     =pod
1704 :    
1705 : overbeek 1.34 =head1 by_alias
1706 :    
1707 :     usage: $peg = $fig->by_alias($alias)
1708 :    
1709 :     Returns a FIG id if the alias can be converted. Right now we convert aliases
1710 :     of the form NP_* (RefSeq IDs) or gi|* (GenBank IDs)
1711 :    
1712 :     =cut
1713 :    
1714 :     sub by_alias {
1715 :     my($self,$alias) = @_;
1716 :     my($rdbH,$relational_db_response,$peg);
1717 :    
1718 : overbeek 1.86 if ($alias =~ /^fig\|\d+\.\d+\.peg\.\d+$/) { return $alias }
1719 :    
1720 : overbeek 1.34 $peg = "";
1721 :     $rdbH = $self->db_handle;
1722 :     if (($relational_db_response = $rdbH->SQL("SELECT id FROM ext_alias WHERE ( alias = \'$alias\' )")) &&
1723 :     (@$relational_db_response == 1))
1724 :     {
1725 :     $peg = $relational_db_response->[0]->[0];
1726 :     }
1727 :     return $peg;
1728 :     }
1729 :    
1730 :     =pod
1731 :    
1732 : efrank 1.1 =head1 possibly_truncated
1733 :    
1734 :     usage: $fig->possibly_truncated($fid)
1735 :    
1736 :     Returns true iff the feature occurs near the end of a contig.
1737 :    
1738 :     =cut
1739 :    
1740 :     sub possibly_truncated {
1741 :     my($self,$feature_id) = @_;
1742 :     my($loc);
1743 :    
1744 :     if ($loc = $self->feature_location($feature_id))
1745 :     {
1746 :     my $genome = &genome_of($feature_id);
1747 :     my ($contig,$beg,$end) = &boundaries_of($loc);
1748 :     if ((! $self->near_end($genome,$contig,$beg)) && (! $self->near_end($genome,$contig,$end)))
1749 :     {
1750 :     return 0;
1751 :     }
1752 :     }
1753 :     return 1;
1754 :     }
1755 :    
1756 :     sub near_end {
1757 :     my($self,$genome,$contig,$x) = @_;
1758 :    
1759 :     return (($x < 300) || ($x > ($self->contig_ln($genome,$contig) - 300)));
1760 :     }
1761 :    
1762 : overbeek 1.27 sub is_real_feature {
1763 :     my($self,$fid) = @_;
1764 :     my($relational_db_response);
1765 :    
1766 :     my $rdbH = $self->db_handle;
1767 :     return (($relational_db_response = $rdbH->SQL("SELECT id FROM features WHERE ( id = \'$fid\' )")) &&
1768 : mkubal 1.53 (@$relational_db_response == 1)) ? 1 : 0;
1769 : overbeek 1.27 }
1770 :    
1771 : efrank 1.1 ################ Routines to process functional coupling for PEGs ##########################
1772 :    
1773 :     =pod
1774 :    
1775 :     =head1 coupling_and_evidence
1776 :    
1777 :     usage: @coupling_data = $fig->coupling_and_evidence($fid,$bound,$sim_cutoff,$coupling_cutoff,$keep_record)
1778 :    
1779 :     A computation of couplings and evidence starts with a given peg and produces a list of
1780 :     3-tuples. Each 3-tuple is of the form
1781 :    
1782 :     [Score,CoupledToFID,Evidence]
1783 :    
1784 :     Evidence is a list of 2-tuples of FIDs that are close in other genomes (producing
1785 :     a "pair of close homologs" of [$peg,CoupledToFID]). The maximum score for a single
1786 :     PCH is 1, but "Score" is the sum of the scores for the entire set of PCHs.
1787 :    
1788 :     If $keep_record is true, the system records the information, asserting coupling for each
1789 :     of the pairs in the set of evidence, and asserting a pin from the given $fd through all
1790 :     of the PCH entries used in forming the score.
1791 :    
1792 :     =cut
1793 :    
1794 :     sub coupling_and_evidence {
1795 :     my($self,$feature_id,$bound,$sim_cutoff,$coupling_cutoff,$keep_record) = @_;
1796 :     my($neighbors,$neigh,$similar1,$similar2,@hits,$sc,$ev,$genome1);
1797 :    
1798 :     if ($feature_id =~ /^fig\|(\d+\.\d+)/)
1799 :     {
1800 :     $genome1 = $1;
1801 :     }
1802 :    
1803 :     my($contig,$beg,$end) = &FIG::boundaries_of($self->feature_location($feature_id));
1804 :     if (! $contig) { return () }
1805 :    
1806 :     ($neighbors,undef,undef) = $self->genes_in_region(&genome_of($feature_id),
1807 :     $contig,
1808 :     &min($beg,$end) - $bound,
1809 :     &max($beg,$end) + $bound);
1810 :     if (@$neighbors == 0) { return () }
1811 :     $similar1 = $self->acceptably_close($feature_id,$sim_cutoff);
1812 :     @hits = ();
1813 :    
1814 :     foreach $neigh (grep { $_ =~ /peg/ } @$neighbors)
1815 :     {
1816 :     next if ($neigh eq $feature_id);
1817 :     $similar2 = $self->acceptably_close($neigh,$sim_cutoff);
1818 :     ($sc,$ev) = $self->coupling_ev($genome1,$similar1,$similar2,$bound);
1819 :     if ($sc >= $coupling_cutoff)
1820 :     {
1821 :     push(@hits,[$sc,$neigh,$ev]);
1822 :     }
1823 :     }
1824 :     if ($keep_record)
1825 :     {
1826 :     $self->add_chr_clusters_and_pins($feature_id,\@hits);
1827 :     }
1828 :     return sort { $b->[0] <=> $a->[0] } @hits;
1829 :     }
1830 :    
1831 : overbeek 1.35 sub fast_coupling {
1832 :     my($self,$peg,$bound,$coupling_cutoff) = @_;
1833 :     my($genome,$genome1,$genome2,$peg1,$peg2,$peg3,%maps,$loc,$loc1,$loc2,$loc3);
1834 :     my($pairs,$sc,%ev);
1835 :    
1836 :     my @ans = ();
1837 :    
1838 :     $genome = &genome_of($peg);
1839 :     foreach $peg1 ($self->in_pch_pin_with($peg))
1840 :     {
1841 :     $peg1 =~ s/,.*$//;
1842 :     if ($peg ne $peg1)
1843 :     {
1844 :     $genome1 = &genome_of($peg1);
1845 :     $maps{$peg}->{$genome1} = $peg1;
1846 :     }
1847 :     }
1848 :    
1849 :     $loc = [&boundaries_of(scalar $self->feature_location($peg))];
1850 :     foreach $peg1 ($self->in_cluster_with($peg))
1851 :     {
1852 :     if ($peg ne $peg1)
1853 :     {
1854 :     # print STDERR "peg1=$peg1\n";
1855 :     $loc1 = [&boundaries_of(scalar $self->feature_location($peg1))];
1856 :     if (&close_enough($loc,$loc1,$bound))
1857 :     {
1858 :     foreach $peg2 ($self->in_pch_pin_with($peg1))
1859 :     {
1860 :     $genome2 = &genome_of($peg2);
1861 :     if (($peg3 = $maps{$peg}->{$genome2}) && ($peg2 ne $peg3))
1862 :     {
1863 :     $loc2 = [&boundaries_of(scalar $self->feature_location($peg2))];
1864 :     $loc3 = [&boundaries_of(scalar $self->feature_location($peg3))];
1865 :     if (&close_enough($loc2,$loc3,$bound))
1866 :     {
1867 :     push(@{$ev{$peg1}},[$peg3,$peg2]);
1868 :     }
1869 :     }
1870 :     }
1871 :     }
1872 :     }
1873 :     }
1874 :     foreach $peg1 (keys(%ev))
1875 :     {
1876 :     $pairs = $ev{$peg1};
1877 : overbeek 1.43 $sc = $self->score([$peg,map { $_->[0] } @$pairs]);
1878 : overbeek 1.35 if ($sc >= $coupling_cutoff)
1879 :     {
1880 :     push(@ans,[$sc,$peg1]);
1881 :     }
1882 :     }
1883 :     return sort { $b->[0] <=> $a->[0] } @ans;
1884 :     }
1885 :    
1886 :    
1887 :     sub score {
1888 : overbeek 1.43 my($self,$pegs) = @_;
1889 : overbeek 1.51 my(@ids);
1890 : overbeek 1.35
1891 : overbeek 1.51 if ($self->{_no9s_scoring})
1892 :     {
1893 :     @ids = map { $self->maps_to_id($_) } grep { $_ !~ /^fig\|999999/ } @$pegs;
1894 :     }
1895 :     else
1896 :     {
1897 :     @ids = map { $self->maps_to_id($_) } @$pegs;
1898 :     }
1899 : overbeek 1.43 return &score1($self,\@ids) - 1;
1900 :     }
1901 :    
1902 :     sub score1 {
1903 :     my($self,$pegs) = @_;
1904 :     my($sim);
1905 :     my($first,@rest) = @$pegs;
1906 :     my $count = 1;
1907 :     my %hits = map { $_ => 1 } @rest;
1908 :     my @ordered = sort { $b->[0] <=> $a->[0] }
1909 :     map { $sim = $_; [$sim->iden,$sim->id2] }
1910 :     grep { $hits{$_->id2} }
1911 :     $self->sims($first,1000,1,"raw");
1912 : overbeek 1.76 my %ordered = map { $_->[1] => 1 } @ordered;
1913 :     foreach $_ (@rest)
1914 :     {
1915 :     if (! $ordered{$_})
1916 :     {
1917 :     push(@ordered,[0,$_]);
1918 :     }
1919 :     }
1920 :    
1921 : overbeek 1.43 while ((@ordered > 0) && ($ordered[0]->[0] >= 97))
1922 : overbeek 1.35 {
1923 : overbeek 1.43 shift @ordered ;
1924 :     }
1925 :     while (@ordered > 0)
1926 :     {
1927 :     my $start = $ordered[0]->[0];
1928 :     $_ = shift @ordered;
1929 :     my @sub = ( $_->[1] );
1930 :     while ((@ordered > 0) && ($ordered[0]->[0] > ($start-3)))
1931 : overbeek 1.35 {
1932 : overbeek 1.43 $_ = shift @ordered;
1933 :     push(@sub, $_->[1]);
1934 : overbeek 1.35 }
1935 :    
1936 : overbeek 1.43 if (@sub == 1)
1937 :     {
1938 :     $count++;
1939 :     }
1940 :     else
1941 :     {
1942 :     $count += &score1($self,\@sub);
1943 :     }
1944 : overbeek 1.35 }
1945 : overbeek 1.43 return $count;
1946 : overbeek 1.35 }
1947 :    
1948 : efrank 1.1 =pod
1949 :    
1950 :     =head1 add_chr_clusters_and_pins
1951 :    
1952 :     usage: $fig->add_chr_clusters_and_pins($peg,$hits)
1953 :    
1954 :     The system supports retaining data relating to functional coupling. If a user
1955 :     computes evidence once and then saves it with this routine, data relating to
1956 :     both "the pin" and the "clusters" (in all of the organisms supporting the
1957 :     functional coupling) will be saved.
1958 :    
1959 :     $hits must be a pointer to a list of 3-tuples of the sort returned by
1960 :     $fig->coupling_and_evidence.
1961 :    
1962 :     =cut
1963 :    
1964 :     sub add_chr_clusters_and_pins {
1965 :     my($self,$peg,$hits) = @_;
1966 :     my(@clusters,@pins,$x,$sc,$neigh,$pairs,$y,@corr,@orgs,%projection);
1967 :     my($genome,$cluster,$pin,$peg2);
1968 :    
1969 :     if (@$hits > 0)
1970 :     {
1971 :     @clusters = ();
1972 :     @pins = ();
1973 :     push(@clusters,[$peg,map { $_->[1] } @$hits]);
1974 :     foreach $x (@$hits)
1975 :     {
1976 :     ($sc,$neigh,$pairs) = @$x;
1977 :     push(@pins,[$neigh,map { $_->[1] } @$pairs]);
1978 :     foreach $y (@$pairs)
1979 :     {
1980 :     $peg2 = $y->[0];
1981 :     if ($peg2 =~ /^fig\|(\d+\.\d+)/)
1982 :     {
1983 :     $projection{$1}->{$peg2} = 1;
1984 :     }
1985 :     }
1986 :     }
1987 :     @corr = ();
1988 :     @orgs = keys(%projection);
1989 :     if (@orgs > 0)
1990 :     {
1991 :     foreach $genome (sort { $a <=> $b } @orgs)
1992 :     {
1993 :     push(@corr,sort { &FIG::by_fig_id($a,$b) } keys(%{$projection{$genome}}));
1994 :     }
1995 :     push(@pins,[$peg,@corr]);
1996 :     }
1997 :    
1998 :     foreach $cluster (@clusters)
1999 :     {
2000 :     $self->add_chromosomal_cluster($cluster);
2001 :     }
2002 :    
2003 :     foreach $pin (@pins)
2004 :     {
2005 :     $self->add_pch_pin($pin);
2006 :     }
2007 :     }
2008 :     }
2009 :    
2010 :     sub coupling_ev {
2011 :     my($self,$genome1,$sim1,$sim2,$bound) = @_;
2012 :     my($ev,$sc,$i,$j);
2013 :    
2014 :     $ev = [];
2015 :     $sc = 0;
2016 :    
2017 :     $i = 0;
2018 :     $j = 0;
2019 :     while (($i < @$sim1) && ($j < @$sim2))
2020 :     {
2021 :     if ($sim1->[$i]->[0] < $sim2->[$j]->[0])
2022 :     {
2023 :     $i++;
2024 :     }
2025 :     elsif ($sim1->[$i]->[0] > $sim2->[$j]->[0])
2026 :     {
2027 :     $j++;
2028 :     }
2029 :     else
2030 :     {
2031 :     $sc += $self->accumulate_ev($genome1,$sim1->[$i]->[1],$sim2->[$j]->[1],$bound,$ev);
2032 :     $i++;
2033 :     $j++;
2034 :     }
2035 :     }
2036 : overbeek 1.43 return ($self->score([map { $_->[0] } @$ev]),$ev);
2037 : efrank 1.1 }
2038 :    
2039 :     sub accumulate_ev {
2040 :     my($self,$genome1,$feature_ids1,$feature_ids2,$bound,$ev) = @_;
2041 : overbeek 1.43 my($genome2,@locs1,@locs2,$i,$j,$x);
2042 : efrank 1.1
2043 :     if ((@$feature_ids1 == 0) || (@$feature_ids2 == 0)) { return 0 }
2044 :    
2045 :     $feature_ids1->[0] =~ /^fig\|(\d+\.\d+)/;
2046 :     $genome2 = $1;
2047 :     @locs1 = map { $x = $self->feature_location($_); $x ? [&boundaries_of($x)] : () } @$feature_ids1;
2048 :     @locs2 = map { $x = $self->feature_location($_); $x ? [&boundaries_of($x)] : () } @$feature_ids2;
2049 :    
2050 :     for ($i=0; ($i < @$feature_ids1); $i++)
2051 :     {
2052 :     for ($j=0; ($j < @$feature_ids2); $j++)
2053 :     {
2054 :     if (($feature_ids1->[$i] ne $feature_ids2->[$j]) &&
2055 :     &close_enough($locs1[$i],$locs2[$j],$bound))
2056 :     {
2057 :     push(@$ev,[$feature_ids1->[$i],$feature_ids2->[$j]]);
2058 :     }
2059 :     }
2060 :     }
2061 :     }
2062 :    
2063 :     sub close_enough {
2064 :     my($locs1,$locs2,$bound) = @_;
2065 :    
2066 :     # print STDERR &Dumper(["close enough",$locs1,$locs2]);
2067 :     return (($locs1->[0] eq $locs2->[0]) && (abs((($locs1->[1]+$locs1->[2])/2) - (($locs2->[1]+$locs2->[2])/2)) <= $bound));
2068 :     }
2069 :    
2070 :     sub acceptably_close {
2071 :     my($self,$feature_id,$sim_cutoff) = @_;
2072 :     my(%by_org,$id2,$genome,$sim);
2073 :    
2074 :     my($ans) = [];
2075 :    
2076 : overbeek 1.31 foreach $sim ($self->sims($feature_id,1000,$sim_cutoff,"fig"))
2077 : efrank 1.1 {
2078 :     $id2 = $sim->id2;
2079 :     if ($id2 =~ /^fig\|(\d+\.\d+)/)
2080 :     {
2081 :     my $genome = $1;
2082 : overbeek 1.51 if (! $self->is_eukaryotic($genome))
2083 : efrank 1.1 {
2084 :     push(@{$by_org{$genome}},$id2);
2085 :     }
2086 :     }
2087 :     }
2088 :     foreach $genome (sort { $a <=> $b } keys(%by_org))
2089 :     {
2090 :     push(@$ans,[$genome,$by_org{$genome}]);
2091 :     }
2092 :     return $ans;
2093 :     }
2094 :    
2095 :     ################ Translations of PEGsand External Protein Sequences ##########################
2096 :    
2097 :    
2098 :     =pod
2099 :    
2100 :     =head1 translatable
2101 :    
2102 :     usage: $fig->translatable($prot_id)
2103 :    
2104 :     The system takes any number of sources of protein sequences as input (and builds an nr
2105 :     for the purpose of computing similarities). For each of these input fasta files, it saves
2106 :     (in the DB) a filename, seek address and length so that it can go get the translation if
2107 :     needed. This routine simply returns true iff info on the translation exists.
2108 :    
2109 :     =cut
2110 :    
2111 :     sub translatable {
2112 :     my($self,$prot) = @_;
2113 :    
2114 :     return &translation_length($self,$prot) ? 1 : 0;
2115 :     }
2116 :    
2117 :    
2118 :     =pod
2119 :    
2120 :     =head1 translation_length
2121 :    
2122 :     usage: $len = $fig->translation_length($prot_id)
2123 :    
2124 :     The system takes any number of sources of protein sequences as input (and builds an nr
2125 :     for the purpose of computing similarities). For each of these input fasta files, it saves
2126 :     (in the DB) a filename, seek address and length so that it can go get the translation if
2127 :     needed. This routine returns the length of a translation. This does not require actually
2128 :     retrieving the translation.
2129 :    
2130 :     =cut
2131 :    
2132 :     sub translation_length {
2133 :     my($self,$prot) = @_;
2134 :    
2135 :     $prot =~ s/^([^\|]+\|[^\|]+)\|.*$/$1/;
2136 :     my $rdbH = $self->db_handle;
2137 :     my $relational_db_response = $rdbH->SQL("SELECT slen FROM protein_sequence_seeks
2138 :     WHERE id = \'$prot\' ");
2139 :    
2140 :     return (@$relational_db_response == 1) ? $relational_db_response->[0]->[0] : undef;
2141 :     }
2142 :    
2143 :    
2144 :     =pod
2145 :    
2146 :     =head1 get_translation
2147 :    
2148 :     usage: $translation = $fig->get_translation($prot_id)
2149 :    
2150 :     The system takes any number of sources of protein sequences as input (and builds an nr
2151 :     for the purpose of computing similarities). For each of these input fasta files, it saves
2152 :     (in the DB) a filename, seek address and length so that it can go get the translation if
2153 :     needed. This routine returns a protein sequence.
2154 :    
2155 :     =cut
2156 :    
2157 :     sub get_translation {
2158 :     my($self,$id) = @_;
2159 :     my($rdbH,$relational_db_response,$fileN,$file,$fh,$seek,$ln,$tran);
2160 :    
2161 :     $rdbH = $self->db_handle;
2162 :     $id =~ s/^([^\|]+\|[^\|]+)\|.*$/$1/;
2163 :    
2164 :     $relational_db_response = $rdbH->SQL("SELECT fileno, seek, len FROM protein_sequence_seeks WHERE id = \'$id\' ");
2165 :    
2166 :     if ($relational_db_response && @$relational_db_response == 1)
2167 :     {
2168 :     ($fileN,$seek,$ln) = @{$relational_db_response->[0]};
2169 :     if (($fh = $self->openF($self->N2file($fileN))) &&
2170 :     ($ln > 10))
2171 :     {
2172 :     seek($fh,$seek,0);
2173 :     read($fh,$tran,$ln-1);
2174 :     $tran =~ s/\s//g;
2175 :     return $tran;
2176 :     }
2177 :     }
2178 :     return '';
2179 :     }
2180 :    
2181 :     =pod
2182 :    
2183 :     =head1 mapped_prot_ids
2184 :    
2185 :     usage: @mapped = $fig->mapped_prot_ids($prot)
2186 :    
2187 :     This routine is at the heart of maintaining synonyms for protein sequences. The system
2188 :     determines which protein sequences are "essentially the same". These may differ in length
2189 :     (presumably due to miscalled starts), but the tails are identical (and the heads are not "too" extended).
2190 :     Anyway, the set of synonyms is returned as a list of 2-tuples [Id,length] sorted
2191 :     by length.
2192 :    
2193 :     =cut
2194 :    
2195 :     sub mapped_prot_ids {
2196 :     my($self,$id) = @_;
2197 :    
2198 :     my $rdbH = $self->db_handle;
2199 :     my $relational_db_response = $rdbH->SQL("SELECT maps_to FROM peg_synonyms WHERE syn_id = \'$id\' ");
2200 :     if ($relational_db_response && (@$relational_db_response == 1))
2201 :     {
2202 :     $id = $relational_db_response->[0]->[0];
2203 :     }
2204 :    
2205 :     $relational_db_response = $rdbH->SQL("SELECT syn_id,syn_ln,maps_to_ln FROM peg_synonyms WHERE maps_to = \'$id\' ");
2206 :     if ($relational_db_response && (@$relational_db_response > 0))
2207 :     {
2208 :     return ([$id,$relational_db_response->[0]->[2]],map { [$_->[0],$_->[1]] } @$relational_db_response);
2209 :     }
2210 :     else
2211 :     {
2212 :     return ([$id,$self->translation_length($id)]);
2213 :     }
2214 : overbeek 1.14 }
2215 :    
2216 :     sub maps_to_id {
2217 :     my($self,$id) = @_;
2218 :    
2219 :     my $rdbH = $self->db_handle;
2220 :     my $relational_db_response = $rdbH->SQL("SELECT maps_to FROM peg_synonyms WHERE syn_id = \'$id\' ");
2221 :     return ($relational_db_response && (@$relational_db_response == 1)) ? $relational_db_response->[0]->[0] : $id;
2222 : efrank 1.1 }
2223 :    
2224 :     ################ Assignments of Function to PEGs ##########################
2225 :    
2226 :     =pod
2227 :    
2228 :     =head1 function_of
2229 :    
2230 :     usage: @functions = $fig->function_of($peg) OR
2231 :     $function = $fig->function_of($peg,$user)
2232 :    
2233 :     In a list context, you get back a list of 2-tuples. Each 2-tuple is of the
2234 :     form [MadeBy,Function].
2235 :    
2236 :     In a scalar context,
2237 :    
2238 :     1. user is "master" if not specified
2239 :     2. function returned is the user's, if one exists; otherwise, master's, if one exists
2240 :    
2241 :     In a scalar context, you get just the function.
2242 :    
2243 :     =cut
2244 :    
2245 :     # Note that we do not return confidence. I propose a separate function to get both
2246 :     # function and confidence
2247 :     #
2248 :     sub function_of {
2249 :     my($self,$id,$user) = @_;
2250 :     my($relational_db_response,@tmp,$entry,$i);
2251 :     my $wantarray = wantarray();
2252 :     my $rdbH = $self->db_handle;
2253 :    
2254 :     if (($id =~ /^fig\|(\d+\.\d+\.peg\.\d+)/) && ($wantarray || $user))
2255 :     {
2256 :     if (($relational_db_response = $rdbH->SQL("SELECT made_by,assigned_function FROM assigned_functions WHERE ( prot = \'$id\' )")) &&
2257 :     (@$relational_db_response >= 1))
2258 :     {
2259 :     @tmp = sort { $a->[0] cmp $b->[0] } map { [$_->[0],$_->[1]] } @$relational_db_response;
2260 :     for ($i=0; ($i < @tmp) && ($tmp[$i]->[0] ne "master"); $i++) {}
2261 :     if ($i < @tmp)
2262 :     {
2263 :     $entry = splice(@tmp,$i,1);
2264 :     unshift @tmp, ($entry);
2265 :     }
2266 :    
2267 :     my $val;
2268 :     if ($wantarray) { return @tmp }
2269 :     elsif ($user && ($val = &extract_by_who(\@tmp,$user))) { return $val }
2270 :     elsif ($user && ($val = &extract_by_who(\@tmp,"master"))) { return $val }
2271 :     else { return "" }
2272 :     }
2273 :     }
2274 :     else
2275 :     {
2276 :     if (($relational_db_response = $rdbH->SQL("SELECT assigned_function FROM assigned_functions WHERE ( prot = \'$id\' AND made_by = \'master\' )")) &&
2277 :     (@$relational_db_response >= 1))
2278 :     {
2279 :     return $wantarray ? (["master",$relational_db_response->[0]->[0]]) : $relational_db_response->[0]->[0];
2280 :     }
2281 :     }
2282 :    
2283 :     return $wantarray ? () : "";
2284 :     }
2285 :    
2286 :     =pod
2287 :    
2288 :     =head1 translated_function_of
2289 :    
2290 :     usage: $function = $fig->translated_function_of($peg,$user)
2291 :    
2292 :     You get just the translated function.
2293 :    
2294 :     =cut
2295 :    
2296 :     sub translated_function_of {
2297 :     my($self,$id,$user) = @_;
2298 :    
2299 :     my $func = $self->function_of($id,$user);
2300 :     if ($func)
2301 :     {
2302 :     $func = $self->translate_function($func);
2303 :     }
2304 :     return $func;
2305 :     }
2306 :    
2307 :    
2308 :     sub extract_by_who {
2309 :     my($xL,$who) = @_;
2310 :     my($i);
2311 :    
2312 :     for ($i=0; ($i < @$xL) && ($xL->[$i]->[0] ne $who); $i++) {}
2313 :     return ($i < @$xL) ? $xL->[$i]->[1] : "";
2314 :     }
2315 :    
2316 :    
2317 :     =pod
2318 :    
2319 :     =head1 translate_function
2320 :    
2321 :     usage: $translated_func = $fig->translate_function($func)
2322 :    
2323 :     Translates a function based on the function.synonyms table.
2324 :    
2325 :     =cut
2326 :    
2327 :     sub translate_function {
2328 :     my($self,$function) = @_;
2329 :    
2330 :     my ($tran,$from,$to,$line);
2331 :     if (! ($tran = $self->{_function_translation}))
2332 :     {
2333 :     $tran = {};
2334 :     if (open(TMP,"<$FIG_Config::global/function.synonyms"))
2335 :     {
2336 :     while (defined($line = <TMP>))
2337 :     {
2338 : golsen 1.44 chomp $line;
2339 : efrank 1.1 ($from,$to) = split(/\t/,$line);
2340 :     $tran->{$from} = $to;
2341 :     }
2342 :     close(TMP);
2343 :     }
2344 : overbeek 1.22 foreach $from (keys(%$tran))
2345 :     {
2346 :     $to = $tran->{$from};
2347 :     if ($tran->{$to})
2348 :     {
2349 :     delete $tran->{$from};
2350 :     }
2351 :     }
2352 : efrank 1.1 $self->{_function_translation} = $tran;
2353 :     }
2354 : overbeek 1.4
2355 :     while ($to = $tran->{$function})
2356 :     {
2357 :     $function = $to;
2358 :     }
2359 :     return $function;
2360 : efrank 1.1 }
2361 :    
2362 :     =pod
2363 :    
2364 :     =head1 assign_function
2365 :    
2366 :     usage: $fig->assign_function($peg,$user,$function,$confidence)
2367 :    
2368 :     Assigns a function. Note that confidence can (and should be if unusual) included.
2369 :     Note that no annotation is written. This should normally be done in a separate
2370 :     call of the form
2371 :    
2372 :    
2373 :    
2374 :     =cut
2375 :    
2376 :     sub assign_function {
2377 :     my($self,$peg,$user,$function,$confidence) = @_;
2378 :     my($role,$roleQ);
2379 :    
2380 :     my $rdbH = $self->db_handle;
2381 :     $confidence = $confidence ? $confidence : "";
2382 :     my $genome = $self->genome_of($peg);
2383 :    
2384 :     $rdbH->SQL("DELETE FROM assigned_functions WHERE ( prot = \'$peg\' AND made_by = \'$user\' )");
2385 :    
2386 :     my $funcQ = quotemeta $function;
2387 :     $rdbH->SQL("INSERT INTO assigned_functions ( prot, made_by, assigned_function, quality, org ) VALUES ( \'$peg\', \'$user\', \'$funcQ\', \'$confidence\', \'$genome\' )");
2388 :     $rdbH->SQL("DELETE FROM roles WHERE ( prot = \'$peg\' AND made_by = \'$user\' )");
2389 :    
2390 :     foreach $role (&roles_of_function($function))
2391 :     {
2392 :     $roleQ = quotemeta $role;
2393 :     $rdbH->SQL("INSERT INTO roles ( prot, role, made_by, org ) VALUES ( \'$peg\', '$roleQ\', \'$user\', \'$genome\' )");
2394 :     }
2395 :    
2396 :     &verify_dir("$FIG_Config::organisms/$genome/UserModels");
2397 :     if ($user ne "master")
2398 :     {
2399 :     &verify_dir("$FIG_Config::organisms/$genome/UserModels/$user");
2400 :     }
2401 :    
2402 : overbeek 1.66 my $file;
2403 :     if ((($user eq "master") && ($file = "$FIG_Config::organisms/$genome/assigned_functions") && open(TMP,">>$file")) ||
2404 :     (($user ne "master") && ($file = "$FIG_Config::organisms/$genome/UserModels/$user/assigned_functions") && open(TMP,">>$file")))
2405 : efrank 1.1 {
2406 :     flock(TMP,LOCK_EX) || confess "cannot lock assigned_functions";
2407 :     seek(TMP,0,2) || confess "failed to seek to the end of the file";
2408 :     print TMP "$peg\t$function\t$confidence\n";
2409 :     close(TMP);
2410 : overbeek 1.66 chmod(0777,$file);
2411 : efrank 1.1 return 1;
2412 :     }
2413 :     return 0;
2414 :     }
2415 :    
2416 :     sub hypo {
2417 :     my $x = (@_ == 1) ? $_[0] : $_[1];
2418 :    
2419 : overbeek 1.23 if (! $x) { return 1 }
2420 :     if ($x =~ /hypoth/i) { return 1 }
2421 :     if ($x =~ /conserved protein/i) { return 1 }
2422 : overbeek 1.63 if ($x =~ /gene product/i) { return 1 }
2423 :     if ($x =~ /interpro/i) { return 1 }
2424 :     if ($x =~ /B[sl][lr]\d/i) { return 1 }
2425 :     if ($x =~ /^U\d/) { return 1 }
2426 :     if ($x =~ /^orf/i) { return 1 }
2427 :     if ($x =~ /uncharacterized/i) { return 1 }
2428 :     if ($x =~ /psedogene/i) { return 1 }
2429 :     if ($x =~ /^predicted/i) { return 1 }
2430 :     if ($x =~ /AGR_/) { return 1 }
2431 : overbeek 1.51 if ($x =~ /similar to/i) { return 1 }
2432 : overbeek 1.63 if ($x =~ /similarity/i) { return 1 }
2433 :     if ($x =~ /glimmer/i) { return 1 }
2434 : overbeek 1.23 if ($x =~ /unknown/i) { return 1 }
2435 :     return 0;
2436 : efrank 1.1 }
2437 :    
2438 :     ############################ Similarities ###############################
2439 :    
2440 :     =pod
2441 :    
2442 :     =head1 sims
2443 :    
2444 :     usage: @sims = $fig->sims($peg,$maxN,$maxP,$select)
2445 :    
2446 :     Returns a list of similarities for $peg such that
2447 :    
2448 :     there will be at most $maxN similarities,
2449 :    
2450 :     each similarity will have a P-score <= $maxP, and
2451 :    
2452 :     $select gives processing instructions:
2453 :    
2454 :     "raw" means that the similarities will not be expanded (by far fastest option)
2455 :     "fig" means return only similarities to fig genes
2456 :     "all" means that you want all the expanded similarities.
2457 :    
2458 :     By "expanded", we refer to taking a "raw similarity" against an entry in the non-redundant
2459 :     protein collection, and converting it to a set of similarities (one for each of the
2460 :     proteins that are essentially identical to the representative in the nr).
2461 :    
2462 :     =cut
2463 :    
2464 :     sub sims {
2465 : overbeek 1.29 my ($self,$id,$maxN,$maxP,$select,$max_expand) = @_;
2466 : efrank 1.1 my($sim);
2467 : overbeek 1.29 $max_expand = defined($max_expand) ? $max_expand : $maxN;
2468 : efrank 1.1
2469 :     my @sims = ();
2470 :     my @maps_to = $self->mapped_prot_ids($id);
2471 :     if (@maps_to > 0)
2472 :     {
2473 :     my $rep_id = $maps_to[0]->[0];
2474 :     my @entry = grep { $_->[0] eq $id } @maps_to;
2475 :     if ((@entry == 1) && defined($entry[0]->[1]))
2476 :     {
2477 :     if ((! defined($maps_to[0]->[1])) ||
2478 :     (! defined($entry[0]->[1])))
2479 :     {
2480 :     print STDERR &Dumper(\@maps_to,\@entry);
2481 :     confess "bad";
2482 :     }
2483 :     my $delta = $maps_to[0]->[1] - $entry[0]->[1];
2484 :     my @raw_sims = &get_raw_sims($self,$rep_id,$maxN,$maxP);
2485 : efrank 1.2 if ($id ne $rep_id)
2486 : efrank 1.1 {
2487 : efrank 1.2 foreach $sim (@raw_sims)
2488 :     {
2489 : efrank 1.1
2490 :     $sim->[0] = $id;
2491 :     $sim->[6] -= $delta;
2492 :     $sim->[7] -= $delta;
2493 :     }
2494 :     }
2495 : overbeek 1.88 if (($max_expand > 0) && ($select ne "raw"))
2496 :     {
2497 :     unshift(@raw_sims,bless([$id,$rep_id,100.00,undef,undef,undef,1,$entry[0]->[1],$delta+1,$maps_to[0]->[1],0.0,,undef,$entry[0]->[1],$maps_to[0]->[1],"blastp",0,0],'Sim'));
2498 :     $max_expand++;
2499 :     }
2500 :     @sims = grep { $_->id1 ne $_->id2 } &expand_raw_sims($self,\@raw_sims,$maxP,$select,0,$max_expand);
2501 : efrank 1.1 }
2502 :     }
2503 :     return @sims;
2504 :     }
2505 :    
2506 :     sub expand_raw_sims {
2507 : overbeek 1.29 my($self,$raw_sims,$maxP,$select,$dups,$max_expand) = @_;
2508 : efrank 1.1 my($sim,$id2,%others,$x);
2509 :    
2510 :     my @sims = ();
2511 :     foreach $sim (@$raw_sims)
2512 :     {
2513 :     next if ($sim->psc > $maxP);
2514 :     $id2 = $sim->id2;
2515 :     next if ($others{$id2} && (! $dups));
2516 :     $others{$id2} = 1;
2517 : overbeek 1.37 if (($select && ($select eq "raw")) || ($max_expand <= 0))
2518 : efrank 1.1 {
2519 :     push(@sims,$sim);
2520 :     }
2521 :     else
2522 :     {
2523 :     my @relevant;
2524 : overbeek 1.29 $max_expand--;
2525 :    
2526 : efrank 1.1 my @maps_to = $self->mapped_prot_ids($id2);
2527 :     if ((! $select) || ($select eq "fig"))
2528 :     {
2529 :     @relevant = grep { $_->[0] =~ /^fig/ } @maps_to;
2530 :     }
2531 :     elsif ($select && ($select =~ /^ext/i))
2532 :     {
2533 :     @relevant = grep { $_->[0] !~ /^fig/ } @maps_to;
2534 :     }
2535 :     else
2536 :     {
2537 :     @relevant = @maps_to;
2538 :     }
2539 :    
2540 :     foreach $x (@relevant)
2541 :     {
2542 :     my $sim1 = [@$sim];
2543 :     my($x_id,$x_ln) = @$x;
2544 :     defined($x_ln) || confess "x_ln id2=$id2 x_id=$x_id";
2545 :     defined($maps_to[0]->[1]) || confess "maps_to";
2546 :     my $delta2 = $maps_to[0]->[1] - $x_ln;
2547 :     $sim1->[1] = $x_id;
2548 :     $sim1->[8] -= $delta2;
2549 :     $sim1->[9] -= $delta2;
2550 :     bless($sim1,"Sim");
2551 :     push(@sims,$sim1);
2552 :     }
2553 :     }
2554 :     }
2555 :     return @sims;
2556 :     }
2557 :    
2558 :     sub get_raw_sims {
2559 :     my($self,$rep_id,$maxN,$maxP) = @_;
2560 : overbeek 1.84 my(@sims,$seek,$fileN,$ln,$fh,$file,$readC,@lines,$i,$sim);
2561 : efrank 1.1 my($sim_chunk,$psc,$id2);
2562 :    
2563 :     $maxN = $maxN ? $maxN : 500;
2564 :    
2565 :     @sims = ();
2566 :     my $rdbH = $self->db_handle;
2567 :     my $relational_db_response = $rdbH->SQL("SELECT seek, fileN, len FROM sim_seeks WHERE id = \'$rep_id\' ");
2568 :     foreach $sim_chunk (@$relational_db_response)
2569 :     {
2570 :     ($seek,$fileN,$ln) = @$sim_chunk;
2571 :     $file = $self->N2file($fileN);
2572 :     $fh = $self->openF($file);
2573 :     if (! $fh)
2574 :     {
2575 :     confess "could not open sims for $file";
2576 :     }
2577 : overbeek 1.84 $readC = &read_block($fh,$seek,$ln-1);
2578 : efrank 1.1 @lines = grep {
2579 :     (@$_ == 15) &&
2580 :     ($_->[12] =~ /^\d+$/) &&
2581 :     ($_->[13] =~ /^\d+$/) &&
2582 :     ($_->[6] =~ /^\d+$/) &&
2583 :     ($_->[7] =~ /^\d+$/) &&
2584 :     ($_->[8] =~ /^\d+$/) &&
2585 :     ($_->[9] =~ /^\d+$/) &&
2586 :     ($_->[2] =~ /^[0-9.]+$/) &&
2587 :     ($_->[10] =~ /^[0-9.e-]+$/)
2588 :     }
2589 :     map { [split(/\t/,$_),"blastp"] }
2590 :     split(/\n/,$readC);
2591 :    
2592 :     @lines = sort { $a->[10] <=> $b->[10] } @lines;
2593 :    
2594 :     for ($i=0; ($i < @lines); $i++)
2595 :     {
2596 :     $psc = $lines[$i]->[10];
2597 :     $id2 = $lines[$i]->[1];
2598 :     if ($maxP >= $psc)
2599 :     {
2600 :     $sim = $lines[$i];
2601 :     bless($sim,"Sim");
2602 :     push(@sims,$sim);
2603 :     if (@sims == $maxN) { return @sims }
2604 :     }
2605 :     }
2606 :     }
2607 :     return @sims;
2608 :     }
2609 :    
2610 : overbeek 1.84 sub read_block {
2611 :     my($fh,$seek,$ln) = @_;
2612 :     my($piece,$readN);
2613 :    
2614 :     seek($fh,$seek,0);
2615 :     my @pieces = ();
2616 :     while ($ln > 0)
2617 :     {
2618 :     my $ln1 = ($ln <= 10000) ? $ln : 10000;
2619 :     $readN = read($fh,$piece,$ln1);
2620 :     ($readN == $ln1)
2621 :     || confess "could not read the block of sims at $seek for $ln1 characters; $readN actually read";
2622 :     push(@pieces,$piece);
2623 :     $ln -= 10000;
2624 :     }
2625 :     return join("",@pieces);
2626 :     }
2627 :    
2628 :    
2629 : overbeek 1.73 sub bbhs {
2630 :     my($self,$peg,$cutoff) = @_;
2631 : overbeek 1.74 my($sim,$peg2,$genome2,$i,@sims2,%seen);
2632 : overbeek 1.73
2633 :     $cutoff = defined($cutoff) ? $cutoff : 1.0e-10;
2634 :     my @bbhs = ();
2635 :    
2636 :     my $genome1 = $self->genome_of($peg);
2637 : overbeek 1.74 $seen{$genome1} = 1;
2638 : overbeek 1.73 foreach $sim ($self->sims($peg,10000,$cutoff,"fig"))
2639 :     {
2640 :     $peg2 = $sim->id2;
2641 :     $genome2 = $self->genome_of($peg2);
2642 : overbeek 1.74 next if ($seen{$genome2});
2643 :     $seen{$genome2} = 1;
2644 : overbeek 1.73 @sims2 = $self->sims($peg2,10000,$cutoff,"fig");
2645 :     for ($i=0; ($i < @sims2) && ($self->genome_of($sims2[$i]->id2) ne $genome1); $i++) {}
2646 :     if (($i < @sims2) && ($sims2[$i]->id2 eq $peg))
2647 :     {
2648 :     push(@bbhs,[$peg2,$sim->psc]);
2649 :     }
2650 :     }
2651 :     return @bbhs;
2652 :     }
2653 :    
2654 : efrank 1.1 =pod
2655 :    
2656 :     =head1 dsims
2657 :    
2658 :     usage: @sims = $fig->dsims($peg,$maxN,$maxP,$select)
2659 :    
2660 :     Returns a list of similarities for $peg such that
2661 :    
2662 :     there will be at most $maxN similarities,
2663 :    
2664 :     each similarity will have a P-score <= $maxP, and
2665 :    
2666 :     $select gives processing instructions:
2667 :    
2668 :     "raw" means that the similarities will not be expanded (by far fastest option)
2669 :     "fig" means return only similarities to fig genes
2670 :     "all" means that you want all the expanded similarities.
2671 :    
2672 :     By "expanded", we refer to taking a "raw similarity" against an entry in the non-redundant
2673 :     protein collection, and converting it to a set of similarities (one for each of the
2674 :     proteins that are essentially identical to the representative in the nr).
2675 :    
2676 :     The "dsims" or "dynamic sims" are not precomputed. They are computed using a heuristic which
2677 :     is much faster than blast, but misses some similarities. Essentially, you have an "index" or
2678 :     representative sequences, a quick blast is done against it, and if there are any hits these are
2679 :     used to indicate which sub-databases to blast against.
2680 :    
2681 :     =cut
2682 :    
2683 :     sub dsims {
2684 :     my($self,$id,$seq,$maxN,$maxP,$select) = @_;
2685 :     my($sim,$sub_dir,$db,$hit,@hits,%in);
2686 :    
2687 :     my @index = &blastit($id,$seq,"$FIG_Config::global/SimGen/exemplar.fasta",1.0e-3);
2688 :     foreach $sim (@index)
2689 :     {
2690 :     if ($sim->id2 =~ /_(\d+)$/)
2691 :     {
2692 :     $in{$1}++;
2693 :     }
2694 :     }
2695 :    
2696 :     @hits = ();
2697 :     foreach $db (keys(%in))
2698 :     {
2699 :     $sub_dir = $db % 1000;
2700 :     push(@hits,&blastit($id,$seq,"$FIG_Config::global/SimGen/AccessSets/$sub_dir/$db",$maxP));
2701 :    
2702 :     }
2703 :    
2704 :     if (@hits == 0)
2705 :     {
2706 :     push(@hits,&blastit($id,$seq,"$FIG_Config::global/SimGen/nohit.fasta",$maxP));
2707 :     }
2708 :    
2709 :     @hits = sort { ($a->psc <=> $b->psc) or ($a->iden cmp $b->iden) } grep { $_->id2 ne $id } @hits;
2710 :     if ($maxN && ($maxN < @hits)) { $#hits = $maxN - 1 }
2711 : overbeek 1.69 return &expand_raw_sims($self,\@hits,$maxP,$select);
2712 : efrank 1.1 }
2713 :    
2714 :     sub blastit {
2715 :     my($id,$seq,$db,$maxP) = @_;
2716 :    
2717 :     if (! $maxP) { $maxP = 1.0e-5 }
2718 :     my $tmp = &Blast::blastp([[$id,$seq]],$db,"-e $maxP");
2719 :     my $tmp1 = $tmp->{$id};
2720 :     if ($tmp1)
2721 :     {
2722 :     return @$tmp1;
2723 :     }
2724 :     return ();
2725 :     }
2726 :    
2727 : overbeek 1.33 sub related_by_func_sim {
2728 :     my($self,$peg,$user) = @_;
2729 :     my($func,$sim,$id2,%related);
2730 :    
2731 :     if (($func = $self->function_of($peg,$user)) && (! &FIG::hypo($func)))
2732 :     {
2733 :     foreach $sim ($self->sims($peg,500,1,"fig",500))
2734 :     {
2735 :     $id2 = $sim->id2;
2736 :     if ($func eq $self->function_of($id2,$user))
2737 :     {
2738 :     $related{$id2} = 1;
2739 :     }
2740 :     }
2741 :     }
2742 :     return keys(%related);
2743 :     }
2744 :    
2745 : efrank 1.1 ################################# chromosomal clusters ####################################
2746 :    
2747 :     =pod
2748 :    
2749 :     =head1 in_cluster_with
2750 :    
2751 :     usage: @pegs = $fig->in_cluster_with($peg)
2752 :    
2753 :     Returns the set of pegs that are thought to be clustered with $peg (on the
2754 :     chromosome).
2755 :    
2756 :     =cut
2757 :    
2758 :     sub in_cluster_with {
2759 :     my($self,$peg) = @_;
2760 :     my($set,$id,%in);
2761 :    
2762 :     return $self->in_set_with($peg,"chromosomal_clusters","cluster_id");
2763 :     }
2764 :    
2765 :     =pod
2766 :    
2767 :     =head1 add_chromosomal_clusters
2768 :    
2769 :     usage: $fig->add_chromosomal_clusters($file)
2770 :    
2771 :     The given file is supposed to contain one predicted chromosomal cluster per line (either
2772 :     comma or tab separated pegs). These will be added (to the extent they are new) to those
2773 :     already in $FIG_Config::global/chromosomal_clusters.
2774 :    
2775 :     =cut
2776 :    
2777 :    
2778 :     sub add_chromosomal_clusters {
2779 :     my($self,$file) = @_;
2780 :     my($set,$added);
2781 :    
2782 :     open(TMPCLUST,"<$file")
2783 :     || die "aborted";
2784 :     while (defined($set = <TMPCLUST>))
2785 :     {
2786 :     print STDERR ".";
2787 : golsen 1.44 chomp $set;
2788 : efrank 1.1 $added += $self->add_chromosomal_cluster([split(/[\t,]+/,$set)]);
2789 :     }
2790 :     close(TMPCLUST);
2791 :    
2792 :     if ($added)
2793 :     {
2794 :     my $rdbH = $self->db_handle;
2795 :     $self->export_set("chromosomal_clusters","cluster_id","$FIG_Config::global/chromosomal_clusters");
2796 :     return 1;
2797 :     }
2798 :     return 0;
2799 :     }
2800 :    
2801 :     #=pod
2802 :     #
2803 :     #=head1 export_chromosomal_clusters
2804 :     #
2805 :     #usage: $fig->export_chromosomal_clusters
2806 :     #
2807 :     #Invoking this routine writes the set of chromosomal clusters as known in the
2808 :     #relational DB back to $FIG_Config::global/chromosomal_clusters.
2809 :     #
2810 :     #=cut
2811 :     #
2812 :     sub export_chromosomal_clusters {
2813 :     my($self) = @_;
2814 :    
2815 :     $self->export_set("chromosomal_clusters","cluster_id","$FIG_Config::global/chromosomal_clusters");
2816 :     }
2817 :    
2818 :     sub add_chromosomal_cluster {
2819 :     my($self,$ids) = @_;
2820 :     my($id,$set,%existing,%in,$new,$existing,$new_id);
2821 :    
2822 :     # print STDERR "adding cluster ",join(",",@$ids),"\n";
2823 :     foreach $id (@$ids)
2824 :     {
2825 :     foreach $set ($self->in_sets($id,"chromosomal_clusters","cluster_id"))
2826 :     {
2827 :     $existing{$set} = 1;
2828 :     foreach $id ($self->ids_in_set($set,"chromosomal_clusters","cluster_id"))
2829 :     {
2830 :     $in{$id} = 1;
2831 :     }
2832 :     }
2833 :     }
2834 :     # print &Dumper(\%existing,\%in);
2835 :    
2836 :     $new = 0;
2837 :     foreach $id (@$ids)
2838 :     {
2839 :     if (! $in{$id})
2840 :     {
2841 :     $in{$id} = 1;
2842 :     $new++;
2843 :     }
2844 :     }
2845 :     # print STDERR "$new new ids\n";
2846 :     if ($new)
2847 :     {
2848 :     foreach $existing (keys(%existing))
2849 :     {
2850 :     $self->delete_set($existing,"chromosomal_clusters","cluster_id");
2851 :     }
2852 :     $new_id = $self->next_set("chromosomal_clusters","cluster_id");
2853 :     # print STDERR "adding new cluster $new_id\n";
2854 :     $self->insert_set($new_id,[keys(%in)],"chromosomal_clusters","cluster_id");
2855 :     return 1;
2856 :     }
2857 :     return 0;
2858 :     }
2859 :    
2860 :     ################################# PCH pins ####################################
2861 :    
2862 :     =pod
2863 :    
2864 :     =head1 in_pch_pin_with
2865 :    
2866 :     usage: $fig->in_pch_pin_with($peg)
2867 :    
2868 :     Returns the set of pegs that are believed to be "pinned" to $peg (in the
2869 :     sense that PCHs occur containing these pegs over significant phylogenetic
2870 :     distances).
2871 :    
2872 :     =cut
2873 :    
2874 :     sub in_pch_pin_with {
2875 :     my($self,$peg) = @_;
2876 :     my($set,$id,%in);
2877 :    
2878 :     return $self->in_set_with($peg,"pch_pins","pin");
2879 :     }
2880 :    
2881 :     =pod
2882 :    
2883 :     =head1 add_pch_pins
2884 :    
2885 :     usage: $fig->add_pch_pins($file)
2886 :    
2887 :     The given file is supposed to contain one set of pinned pegs per line (either
2888 :     comma or tab seprated pegs). These will be added (to the extent they are new) to those
2889 :     already in $FIG_Config::global/pch_pins.
2890 :    
2891 :     =cut
2892 :    
2893 :     sub add_pch_pins {
2894 :     my($self,$file) = @_;
2895 :     my($set,$added);
2896 :    
2897 :     open(TMPCLUST,"<$file")
2898 :     || die "aborted";
2899 :     while (defined($set = <TMPCLUST>))
2900 :     {
2901 :     print STDERR ".";
2902 : golsen 1.44 chomp $set;
2903 : efrank 1.1 my @tmp = split(/[\t,]+/,$set);
2904 :     if (@tmp < 200)
2905 :     {
2906 :     $added += $self->add_pch_pin([@tmp]);
2907 :     }
2908 :     }
2909 :     close(TMPCLUST);
2910 :    
2911 :     if ($added)
2912 :     {
2913 :     my $rdbH = $self->db_handle;
2914 :     $self->export_set("pch_pins","pin","$FIG_Config::global/pch_pins");
2915 :     return 1;
2916 :     }
2917 :     return 0;
2918 :     }
2919 :    
2920 :     sub export_pch_pins {
2921 :     my($self) = @_;
2922 :    
2923 :     $self->export_set("pch_pins","pin","$FIG_Config::global/pch_pins");
2924 :     }
2925 :    
2926 :     sub add_pch_pin {
2927 :     my($self,$ids) = @_;
2928 :     my($id,$set,%existing,%in,$new,$existing,$new_id);
2929 :    
2930 :     # print STDERR "adding cluster ",join(",",@$ids),"\n";
2931 :     foreach $id (@$ids)
2932 :     {
2933 :     foreach $set ($self->in_sets($id,"pch_pins","pin"))
2934 :     {
2935 :     $existing{$set} = 1;
2936 :     foreach $id ($self->ids_in_set($set,"pch_pins","pin"))
2937 :     {
2938 :     $in{$id} = 1;
2939 :     }
2940 :     }
2941 :     }
2942 :     # print &Dumper(\%existing,\%in);
2943 :    
2944 :     $new = 0;
2945 :     foreach $id (@$ids)
2946 :     {
2947 :     if (! $in{$id})
2948 :     {
2949 :     $in{$id} = 1;
2950 :     $new++;
2951 :     }
2952 :     }
2953 :    
2954 :     if ($new)
2955 :     {
2956 : overbeek 1.9 if (keys(%in) < 300)
2957 : efrank 1.1 {
2958 : overbeek 1.9 foreach $existing (keys(%existing))
2959 :     {
2960 :     $self->delete_set($existing,"pch_pins","pin");
2961 :     }
2962 :     $new_id = $self->next_set("pch_pins","pin");
2963 :     # print STDERR "adding new pin $new_id\n";
2964 :     $self->insert_set($new_id,[keys(%in)],"pch_pins","pin");
2965 :     }
2966 :     else
2967 :     {
2968 :     $new_id = $self->next_set("pch_pins","pin");
2969 :     # print STDERR "adding new pin $new_id\n";
2970 :     $self->insert_set($new_id,$ids,"pch_pins","pin");
2971 : efrank 1.1 }
2972 :     return 1;
2973 :     }
2974 :     return 0;
2975 :     }
2976 :    
2977 :     ################################# Annotations ####################################
2978 :    
2979 :     =pod
2980 :    
2981 :     =head1 add_annotation
2982 :    
2983 :     usage: $fig->add_annotation($fid,$user,$annotation)
2984 :    
2985 :     $annotation is added as a time-stamped annotation to $peg showing $user as the
2986 :     individual who added the annotation.
2987 :    
2988 :     =cut
2989 :    
2990 :     sub add_annotation {
2991 :     my($self,$feature_id,$user,$annotation) = @_;
2992 :     my($genome);
2993 :    
2994 :     # print STDERR "add: fid=$feature_id user=$user annotation=$annotation\n";
2995 :     if ($genome = $self->genome_of($feature_id))
2996 :     {
2997 :     my $file = "$FIG_Config::organisms/$genome/annotations";
2998 :     my $fileno = $self->file2N($file);
2999 :     my $time_made = time;
3000 : overbeek 1.17 my $ma = ($annotation =~ /^Set master function to/);
3001 :    
3002 : efrank 1.1
3003 :     if (open(TMP,">>$file"))
3004 :     {
3005 :     flock(TMP,LOCK_EX) || confess "cannot lock assigned_functions";
3006 :     seek(TMP,0,2) || confess "failed to seek to the end of the file";
3007 :    
3008 :     my $seek1 = tell TMP;
3009 :     print TMP "$feature_id\n$time_made\n$user\n$annotation", (substr($annotation,-1) eq "\n") ? "" : "\n","//\n";
3010 :     my $seek2 = tell TMP;
3011 :     close(TMP);
3012 : disz 1.60 chmod 02777, $file;
3013 : efrank 1.1 my $ln = $seek2 - $seek1;
3014 :     my $rdbH = $self->db_handle;
3015 : overbeek 1.17 if ($rdbH->SQL("INSERT INTO annotation_seeks ( fid, dateof, who, ma, fileno, seek, len ) VALUES ( \'$feature_id\', $time_made, \'$user\', \'$ma\', $fileno, $seek1, $ln )"))
3016 : efrank 1.1 {
3017 :     return 1;
3018 :     }
3019 :     }
3020 :     }
3021 :     return 0;
3022 :     }
3023 :    
3024 :     =pod
3025 :    
3026 : overbeek 1.33 =head1 merged_related_annotations
3027 :    
3028 :     usage: @annotations = $fig->merged_related_annotations($fids)
3029 :    
3030 :     The set of annotations of a set of PEGs ($fids) is returned as a list of 4-tuples.
3031 :     Each entry in the list is of the form [$fid,$timestamp,$user,$annotation].
3032 :    
3033 :     =cut
3034 :    
3035 :     sub merged_related_annotations {
3036 :     my($self,$fids) = @_;
3037 :     my($fid);
3038 :     my(@ann) = ();
3039 :    
3040 :     foreach $fid (@$fids)
3041 :     {
3042 :     push(@ann,$self->feature_annotations1($fid));
3043 :     }
3044 :     return map { $_->[1] = localtime($_->[1]); $_ } sort { $a->[1] <=> $b->[1] } @ann;
3045 :     }
3046 :    
3047 :     =pod
3048 :    
3049 : efrank 1.1 =head1 feature_annotations
3050 :    
3051 :     usage: @annotations = $fig->feature_annotations($fid)
3052 :    
3053 :     The set of annotations of $fid is returned as a list of 4-tuples. Each entry in the list
3054 :     is of the form [$fid,$timestamp,$user,$annotation].
3055 :    
3056 :     =cut
3057 :    
3058 :    
3059 :     sub feature_annotations {
3060 :     my($self,$feature_id) = @_;
3061 : overbeek 1.33
3062 :     return map { $_->[1] = localtime($_->[1]); $_ } $self->feature_annotations1($feature_id);
3063 :     }
3064 :    
3065 :     sub feature_annotations1 {
3066 :     my($self,$feature_id) = @_;
3067 : overbeek 1.16 my($tuple,$fileN,$seek,$ln,$annotation,$feature_idQ);
3068 : efrank 1.1 my($file,$fh);
3069 :    
3070 :     my $rdbH = $self->db_handle;
3071 :     my $relational_db_response = $rdbH->SQL("SELECT fileno, seek, len FROM annotation_seeks WHERE fid = \'$feature_id\' ");
3072 :     my @annotations = ();
3073 :    
3074 :     foreach $tuple (@$relational_db_response)
3075 :     {
3076 :     ($fileN,$seek,$ln) = @$tuple;
3077 : overbeek 1.16 $annotation = $self->read_annotation($fileN,$seek,$ln);
3078 :     $feature_idQ = quotemeta $feature_id;
3079 :     if ($annotation =~ /^$feature_idQ\n(\d+)\n([^\n]+)\n(.*)/s)
3080 : efrank 1.1 {
3081 : overbeek 1.16 push(@annotations,[$feature_id,$1,$2,$3]);
3082 : efrank 1.1 }
3083 : overbeek 1.16 else
3084 : efrank 1.1 {
3085 : overbeek 1.16 print STDERR "malformed annotation\n$annotation\n";
3086 : efrank 1.1 }
3087 :     }
3088 : overbeek 1.33 return sort { $a->[1] <=> $b->[1] } @annotations;
3089 : overbeek 1.16 }
3090 :    
3091 :     sub read_annotation {
3092 :     my($self,$fileN,$seek,$ln) = @_;
3093 :     my($readN,$readC);
3094 :    
3095 :     my $file = $self->N2file($fileN);
3096 :     my $fh = $self->openF($file);
3097 :     if (! $fh)
3098 :     {
3099 :     confess "could not open annotations for $file";
3100 :     }
3101 :     seek($fh,$seek,0);
3102 : overbeek 1.24 $readN = read($fh,$readC,$ln-3);
3103 :     ($readN == ($ln-3))
3104 : overbeek 1.16 || confess "could not read the block of annotations at $seek for $ln characters; $readN actually read from $file\n$readC";
3105 :     return $readC;
3106 : overbeek 1.17 }
3107 :    
3108 : overbeek 1.21 sub epoch_to_readable {
3109 :     my($epoch) = @_;
3110 :    
3111 :     my($sec,$min,$hr,$dd,$mm,$yr) = localtime($epoch);
3112 :     $mm++;
3113 :     $yr += 1900;
3114 :     return "$mm-$dd-$yr:$hr:$min:$sec";
3115 :     }
3116 :    
3117 : overbeek 1.17 sub assignments_made {
3118 :     my($self,$genomes,$who,$date) = @_;
3119 :     my($relational_db_response,$entry,$fid,$fileno,$seek,$len,$ann);
3120 : overbeek 1.30 my($epoch_date,$when,%sofar,$x);
3121 : overbeek 1.17
3122 : overbeek 1.56 if (! defined($genomes)) { $genomes = [$self->genomes] }
3123 :    
3124 : overbeek 1.17 my %genomes = map { $_ => 1 } @$genomes;
3125 : overbeek 1.19 if ($date =~ /^(\d{1,2})\/(\d{1,2})\/(\d{4})$/)
3126 :     {
3127 :     my($mm,$dd,$yyyy) = ($1,$2,$3);
3128 :     $epoch_date = &Time::Local::timelocal(0,0,0,$dd,$mm-1,$yyyy-1900,0,0,0);
3129 :     }
3130 : overbeek 1.62 elsif ($date =~ /^\d+$/)
3131 :     {
3132 :     $epoch_date = $date;
3133 :     }
3134 : overbeek 1.19 else
3135 :     {
3136 :     $epoch_date = 0;
3137 :     }
3138 :     $epoch_date = defined($epoch_date) ? $epoch_date-1 : 0;
3139 : overbeek 1.17 my @assignments = ();
3140 :     my $rdbH = $self->db_handle;
3141 :     if ($who eq "master")
3142 :     {
3143 : overbeek 1.30 $relational_db_response = $rdbH->SQL("SELECT fid, dateof, fileno, seek, len FROM annotation_seeks WHERE ((ma = \'1\') AND (dateof > $epoch_date))");
3144 : overbeek 1.17 }
3145 :     else
3146 :     {
3147 : overbeek 1.30 $relational_db_response = $rdbH->SQL("SELECT fid, dateof, fileno, seek, len FROM annotation_seeks WHERE (( who = \'$who\' ) AND (dateof > $epoch_date))");
3148 : overbeek 1.17 }
3149 :    
3150 :     if ($relational_db_response && (@$relational_db_response > 0))
3151 :     {
3152 :     foreach $entry (@$relational_db_response)
3153 :     {
3154 : overbeek 1.30 ($fid,$when,$fileno,$seek,$len) = @$entry;
3155 : overbeek 1.17 if (($fid =~ /^fig\|(\d+\.\d+)/) && $genomes{$1})
3156 :     {
3157 : overbeek 1.67 if ($len < 4)
3158 :     {
3159 :     print STDERR "BAD: fid=$fid when=$when fileno=$fileno seek=$seek len=$len\n";
3160 :     next;
3161 :     }
3162 : overbeek 1.17 $ann = $self->read_annotation($fileno,$seek,$len);
3163 :    
3164 :     if (($ann =~ /^(fig\|\d+\.\d+\.peg\.\d+)\n(\d+)\n(\S+)\nSet ([^\n]*)function[^\n]*\n(\S[^\n]+\S)/s) &&
3165 :     (($who eq $3) || (($4 eq "master ") && ($who eq "master"))) &&
3166 : overbeek 1.19 ($2 >= $epoch_date))
3167 : overbeek 1.17 {
3168 : overbeek 1.30 if ((! $sofar{$1}) || (($x = $sofar{$1}) && ($when > $x->[0])))
3169 :     {
3170 :     $sofar{$1} = [$when,$5];
3171 :     }
3172 : overbeek 1.17 }
3173 :     }
3174 :     }
3175 :     }
3176 : overbeek 1.30 @assignments = map { $x = $sofar{$_}; [$_,$x->[1]] } keys(%sofar);
3177 : overbeek 1.17 return @assignments;
3178 : efrank 1.1 }
3179 :    
3180 : overbeek 1.56 sub annotations_made {
3181 :     my($self,$genomes,$who,$date) = @_;
3182 :     my($relational_db_response,$entry,$fid,$fileno,$seek,$len,$ann);
3183 :     my($epoch_date,$when,@annotations);
3184 :    
3185 :     if (! defined($genomes)) { $genomes = [$self->genomes] }
3186 :    
3187 :     my %genomes = map { $_ => 1 } @$genomes;
3188 :     if ($date =~ /^(\d{1,2})\/(\d{1,2})\/(\d{4})$/)
3189 :     {
3190 :     my($mm,$dd,$yyyy) = ($1,$2,$3);
3191 :     $epoch_date = &Time::Local::timelocal(0,0,0,$dd,$mm-1,$yyyy-1900,0,0,0);
3192 :     }
3193 : overbeek 1.62 elsif ($date =~ /^\d+$/)
3194 :     {
3195 :     $epoch_date = $date;
3196 :     }
3197 : overbeek 1.56 else
3198 :     {
3199 :     $epoch_date = 0;
3200 :     }
3201 :     $epoch_date = defined($epoch_date) ? $epoch_date-1 : 0;
3202 :     my @annotations = ();
3203 :     my $rdbH = $self->db_handle;
3204 :     if ($who eq "master")
3205 :     {
3206 :     $relational_db_response = $rdbH->SQL("SELECT fid, dateof, fileno, seek, len FROM annotation_seeks WHERE ((ma = \'1\') AND (dateof > $epoch_date))");
3207 :     }
3208 :     else
3209 :     {
3210 :     $relational_db_response = $rdbH->SQL("SELECT fid, dateof, fileno, seek, len FROM annotation_seeks WHERE (( who = \'$who\' ) AND (dateof > $epoch_date))");
3211 :     }
3212 :    
3213 :     if ($relational_db_response && (@$relational_db_response > 0))
3214 :     {
3215 :     foreach $entry (@$relational_db_response)
3216 :     {
3217 :     ($fid,$when,$fileno,$seek,$len) = @$entry;
3218 :     if (($fid =~ /^fig\|(\d+\.\d+)/) && $genomes{$1})
3219 :     {
3220 :     $ann = $self->read_annotation($fileno,$seek,$len);
3221 :    
3222 : overbeek 1.57 if ($ann =~ /^(fig\|\d+\.\d+\.peg\.\d+)\n(\d+)\n(\S+)\n(.*\S)/s)
3223 : overbeek 1.56 {
3224 :     push(@annotations,[$1,$2,$3,$4]);
3225 :     }
3226 :     }
3227 :     }
3228 :     }
3229 :     return @annotations;
3230 :     }
3231 :    
3232 : efrank 1.1 ################################# Indexing Features and Functional Roles ####################################
3233 :    
3234 :     =pod
3235 :    
3236 :     =head1 search_index
3237 :    
3238 :     usage: ($pegs,$roles) = $fig->search_pattern($pattern)
3239 :    
3240 :     All pegs that "match" $pattern are put into a list, and $pegs will be a
3241 :     pointer to that list.
3242 :    
3243 :     All roles that "match" $pattern are put into a list, and $roles will be a
3244 :     pointer to that list.
3245 :    
3246 :     The notion of "match $pattern" is intentionally left undefined. For now, you
3247 :     will probably get only entries in which each word id $pattern occurs exactly,
3248 :     but that is not a long term commitment.
3249 :    
3250 :     =cut
3251 :    
3252 :     sub search_index {
3253 :     my($self,$pattern) = @_;
3254 :     my($patternQ,@raw,@pegs,@roles);
3255 :    
3256 :     &clean_tmp;
3257 :     $patternQ = $pattern;
3258 :     $patternQ =~ s/\s+/;/g;
3259 :     $patternQ =~ s/\./\\./g;
3260 :    
3261 :     # print STDERR "pattern=$pattern patternQ=$patternQ\n";
3262 :     @raw = `$FIG_Config::ext_bin/glimpse -y -H $FIG_Config::data/Indexes -i -w \'$patternQ\'`;
3263 :     @pegs = sort { &FIG::by_fig_id($a->[0],$b->[0]) }
3264 :     map { $_ =~ s/^\S+:\s+//; [split(/\t/,$_)] }
3265 :     grep { $_ =~ /^\S+peg.index/ } @raw;
3266 :     my %roles = map { $_ =~ s/^\S+:\s+//; $_ => 1} grep { $_ =~ /^\S+role.index/ } @raw;
3267 :     @roles = sort keys(%roles);
3268 :    
3269 :     return ([@pegs],[@roles]);
3270 :     }
3271 :    
3272 :     ################################# Loading Databases ####################################
3273 :    
3274 :    
3275 :     #=pod
3276 :     #
3277 :     #=head1 load_all
3278 :     #
3279 :     #usage: load_all
3280 :     #
3281 :     #This function is supposed to reload all entries into the database and do
3282 :     #whatever is required to properly support indexing of pegs and roles.
3283 :     #
3284 :     #=cut
3285 :    
3286 :     sub load_all {
3287 :    
3288 : overbeek 1.15 &run("index_contigs");
3289 :     &run("compute_genome_counts");
3290 : efrank 1.1 &run("load_features");
3291 :     &run("index_sims");
3292 :     &run("load_peg_mapping");
3293 :     &run("index_translations");
3294 :     &run("add_assertions_of_function");
3295 :     &run("load_protein_families");
3296 :     &run("load_external_orgs");
3297 :     &run("load_chromosomal_clusters");
3298 :     &run("load_pch_pins");
3299 :     &run("index_neighborhoods");
3300 :     &run("index_annotations");
3301 :     &run("load_ec_names");
3302 :     &run("load_kegg");
3303 : overbeek 1.35 &run("load_distances");
3304 : efrank 1.1 &run("make_indexes");
3305 : overbeek 1.70 &run("format_peg_dbs");
3306 : overbeek 1.82 &run("load_links");
3307 : efrank 1.1 }
3308 :    
3309 :     ################################# Automated Assignments ####################################
3310 :    
3311 :     =pod
3312 :    
3313 :     =head1 auto_assign
3314 :    
3315 :     usage: $assignment = &FIG::auto_assign($peg,$seq)
3316 :    
3317 :     This returns an automated assignment for $peg. $seq is optional; if it is not
3318 :     present, then it is assumed that similarities already exist for $peg. $assignment is set
3319 :     to either
3320 :    
3321 :     Function
3322 :     or
3323 :     Function\tW
3324 :    
3325 :     if it is felt that the assertion is pretty weak.
3326 :    
3327 :     =cut
3328 :    
3329 :     sub auto_assign {
3330 :     my($peg,$seq) = @_;
3331 :    
3332 : overbeek 1.71 my $cmd = $seq ? "echo \"$peg\t$seq\" | $FIG_Config::bin/auto_assign | $FIG_Config::bin/make_calls" : "echo \"$peg\" | $FIG_Config::bin/auto_assign | $FIG_Config::bin/make_calls";
3333 : efrank 1.1 # print STDERR $cmd;
3334 :     my(@tmp) = `$cmd`;
3335 :     if ((@tmp == 1) && ($tmp[0] =~ /^\S+\t(\S.*\S)/))
3336 :     {
3337 :     return $1;
3338 :     }
3339 :     else
3340 :     {
3341 :     return "hypothetical protein";
3342 :     }
3343 :     }
3344 :    
3345 :     ################################# Protein Families ####################################
3346 :    
3347 :     =pod
3348 :    
3349 :     =head1 all_protein_families
3350 :    
3351 :     usage: @all = $fig->all_protein_families
3352 :    
3353 :     Returns a list of the ids of all of the protein families currently defined.
3354 :    
3355 :     =cut
3356 :    
3357 :     sub all_protein_families {
3358 :     my($self) = @_;
3359 :    
3360 :     return $self->all_sets("protein_families","family");
3361 :     }
3362 :    
3363 :     =pod
3364 :    
3365 :     =head1 ids_in_family
3366 :    
3367 :     usage: @pegs = $fig->ids_in_family($family)
3368 :    
3369 :     Returns a list of the pegs in $family.
3370 :    
3371 :     =cut
3372 :    
3373 :     sub ids_in_family {
3374 :     my($self,$family) = @_;
3375 :    
3376 :     return $self->ids_in_set($family,"protein_families","family");
3377 :     }
3378 :    
3379 :     =pod
3380 :    
3381 :     =head1 family_function
3382 :    
3383 :     usage: $func = $fig->family_function($family)
3384 :    
3385 :     Returns the putative function of all of the pegs in $family. Remember, we
3386 :     are defining "protein family" as a set of homologous proteins that have the
3387 :     same function.
3388 :    
3389 :     =cut
3390 :    
3391 :     sub family_function {
3392 :     my($self,$family) = @_;
3393 :     my($relational_db_response);
3394 :     my $rdbH = $self->db_handle;
3395 :    
3396 :     defined($family) || confess "family is missing";
3397 :     if (($relational_db_response = $rdbH->SQL("SELECT function FROM family_function WHERE ( family = $family)")) &&
3398 :     (@$relational_db_response >= 1))
3399 :     {
3400 :     return $relational_db_response->[0]->[0];
3401 :     }
3402 :     return "";
3403 :     }
3404 :    
3405 :     =pod
3406 :    
3407 :     =head1 sz_family
3408 :    
3409 :     usage: $n = $fig->sz_family($family)
3410 :    
3411 :     Returns the number of pegs in $family.
3412 :    
3413 :     =cut
3414 :    
3415 :     sub sz_family {
3416 :     my($self,$family) = @_;
3417 :    
3418 :     return $self->sz_set($family,"protein_families","family");
3419 :     }
3420 :    
3421 :     =pod
3422 :    
3423 :     =head1 in_family
3424 :    
3425 :     usage: @pegs = $fig->in_family($family)
3426 :    
3427 :     Returns the pegs in $family.
3428 :    
3429 :     =cut
3430 :    
3431 :     sub in_family {
3432 :     my($self,$id) = @_;
3433 :    
3434 :     my @in = $self->in_sets($id,"protein_families","family");
3435 :     return (@in > 0) ? $in[0] : "";
3436 :     }
3437 :    
3438 :     ################################# Abstract Set Routines ####################################
3439 :    
3440 :     sub all_sets {
3441 :     my($self,$relation,$set_name) = @_;
3442 :     my($relational_db_response);
3443 :    
3444 :     my $rdbH = $self->db_handle;
3445 :    
3446 :     if (($relational_db_response = $rdbH->SQL("SELECT DISTINCT $set_name FROM $relation")) &&
3447 :     (@$relational_db_response >= 1))
3448 :     {
3449 :     return map { $_->[0] } @$relational_db_response;
3450 :     }
3451 :     return ();
3452 :     }
3453 :    
3454 :     sub next_set {
3455 :     my($self,$relation,$set_name) = @_;
3456 :     my($relational_db_response);
3457 :    
3458 :     my $rdbH = $self->db_handle;
3459 :    
3460 :     if (($relational_db_response = $rdbH->SQL("SELECT MAX($set_name) FROM $relation")) &&
3461 :     (@$relational_db_response == 1))
3462 :     {
3463 :     return $relational_db_response->[0]->[0] + 1;
3464 :     }
3465 :     }
3466 :    
3467 :     sub ids_in_set {
3468 :     my($self,$which,$relation,$set_name) = @_;
3469 :     my($relational_db_response);
3470 :    
3471 :     my $rdbH = $self->db_handle;
3472 :     if (defined($which) && ($which =~ /^\d+$/))
3473 :     {
3474 :     if (($relational_db_response = $rdbH->SQL("SELECT id FROM $relation WHERE ( $set_name = $which)")) &&
3475 :     (@$relational_db_response >= 1))
3476 :     {
3477 :     return sort { by_fig_id($a,$b) } map { $_->[0] } @$relational_db_response;
3478 :     }
3479 :     }
3480 :     return ();
3481 :     }
3482 :    
3483 :     sub in_sets {
3484 :     my($self,$id,$relation,$set_name) = @_;
3485 :     my($relational_db_response);
3486 :    
3487 :     my $rdbH = $self->db_handle;
3488 :    
3489 :     if (($relational_db_response = $rdbH->SQL("SELECT $set_name FROM $relation WHERE ( id = \'$id\' )")) &&
3490 :     (@$relational_db_response >= 1))
3491 :     {
3492 :     return map { $_->[0] } @$relational_db_response;
3493 :     }
3494 :     return ();
3495 :     }
3496 :    
3497 :     sub sz_set {
3498 :     my($self,$which,$relation,$set_name) = @_;
3499 :     my($relational_db_response);
3500 :    
3501 :     my $rdbH = $self->db_handle;
3502 :    
3503 :     if (($relational_db_response = $rdbH->SQL("SELECT COUNT(*) FROM $relation WHERE ( $set_name = $which)")) &&
3504 :     (@$relational_db_response == 1))
3505 :     {
3506 :     return $relational_db_response->[0]->[0];
3507 :     }
3508 :     return 0;
3509 :     }
3510 :    
3511 :     sub delete_set {
3512 :     my($self,$set,$relation,$set_name) = @_;
3513 :    
3514 :     # print STDERR "deleting set $set\n";
3515 :     my $rdbH = $self->db_handle;
3516 :    
3517 :     return $rdbH->SQL("DELETE FROM $relation WHERE ( $set_name = $set )");
3518 :     }
3519 :    
3520 :     sub insert_set {
3521 :     my($self,$set,$ids,$relation,$set_name) = @_;
3522 :     my($id);
3523 :    
3524 :     # print STDERR "inserting set $set containing ",join(",",@$ids),"\n";
3525 :     my $rdbH = $self->db_handle;
3526 :    
3527 : overbeek 1.23 my @ids = grep { length($_) < 255 } @$ids;
3528 :     if (@ids < 2) { return 0 }
3529 :    
3530 : efrank 1.1 my $rc = 1;
3531 : overbeek 1.23 foreach $id (@ids)
3532 : efrank 1.1 {
3533 :     if (! $rdbH->SQL("INSERT INTO $relation ( $set_name,id ) VALUES ( $set,\'$id\' )"))
3534 :     {
3535 :     $rc = 0;
3536 :     }
3537 :     }
3538 :     # print STDERR " rc=$rc\n";
3539 :     return $rc;
3540 :     }
3541 :    
3542 :     sub in_set_with {
3543 :     my($self,$peg,$relation,$set_name) = @_;
3544 :     my($set,$id,%in);
3545 :    
3546 :     foreach $set ($self->in_sets($peg,$relation,$set_name))
3547 :     {
3548 :     foreach $id ($self->ids_in_set($set,$relation,$set_name))
3549 :     {
3550 :     $in{$id} = 1;
3551 :     }
3552 :     }
3553 :     return sort { &by_fig_id($a,$b) } keys(%in);
3554 :     }
3555 :    
3556 :    
3557 :     sub export_set {
3558 :     my($self,$relation,$set_name,$file) = @_;
3559 :     my($pair);
3560 :    
3561 :     my $rdbH = $self->db_handle;
3562 :     my $relational_db_response = $rdbH->SQL("SELECT $set_name, id FROM $relation");
3563 :    
3564 :     open(TMP,">$file")
3565 :     || die "could not open $file";
3566 :     flock(TMP,LOCK_EX) || confess "cannot lock $file";
3567 :     seek(TMP,0,2) || confess "failed to seek to the end of the file";
3568 :    
3569 :     foreach $pair (sort { ($a->[0] <=> $b->[0]) or &by_fig_id($a->[1],$b->[1]) } @$relational_db_response)
3570 :     {
3571 :     print TMP join("\t",@$pair),"\n";
3572 :     }
3573 :     close(TMP);
3574 :     return 1;
3575 :     }
3576 :    
3577 :     ################################# KEGG Stuff ####################################
3578 :    
3579 :    
3580 :     =pod
3581 :    
3582 :     =head1 all_compounds
3583 :    
3584 :     usage: @compounds = $fig->all_compounds
3585 :    
3586 :     Returns a list containing all of the KEGG compounds.
3587 :    
3588 :     =cut
3589 :    
3590 :     sub all_compounds {
3591 :     my($self) = @_;
3592 :    
3593 :     my $rdbH = $self->db_handle;
3594 :     my $relational_db_response = $rdbH->SQL("SELECT DISTINCT cid FROM comp_name");
3595 :     if (@$relational_db_response > 0)
3596 :     {
3597 :     return sort map { $_->[0] } @$relational_db_response;
3598 :     }
3599 :     return ();
3600 :     }
3601 :    
3602 :     =pod
3603 :    
3604 :     =head1 names_of_compound
3605 :    
3606 :     usage: @names = $fig->names_of_compound
3607 :    
3608 :     Returns a list containing all of the names assigned to the KEGG compounds. The list
3609 :     will be ordered as given by KEGG.
3610 :    
3611 :     =cut
3612 :    
3613 :     sub names_of_compound {
3614 :     my($self,$cid) = @_;
3615 :    
3616 :     my $rdbH = $self->db_handle;
3617 :     my $relational_db_response = $rdbH->SQL("SELECT pos,name FROM comp_name where cid = \'$cid\'");
3618 :     if (@$relational_db_response > 0)
3619 :     {
3620 :     return map { $_->[1] } sort { $a->[0] <=> $b->[0] } @$relational_db_response;
3621 :     }
3622 :     return ();
3623 :     }
3624 :    
3625 :     =pod
3626 :    
3627 :     =head1 comp2react
3628 :    
3629 :    
3630 :     usage: @rids = $fig->comp2react($cid)
3631 :    
3632 :     Returns a list containing all of the reaction IDs for reactions that take $cid
3633 :     as either a substrate or a product.
3634 :    
3635 :     =cut
3636 :    
3637 :     sub comp2react {
3638 :     my($self,$cid) = @_;
3639 :    
3640 :     my $rdbH = $self->db_handle;
3641 :     my $relational_db_response = $rdbH->SQL("SELECT rid FROM reaction_to_compound where cid = \'$cid\'");
3642 :     if (@$relational_db_response > 0)
3643 :     {
3644 :     return sort map { $_->[0] } @$relational_db_response;
3645 :     }
3646 :     return ();
3647 :     }
3648 :    
3649 :     =pod
3650 :    
3651 :     =head1 cas
3652 :    
3653 :     usage: $cas = $fig->cas($cid)
3654 :    
3655 :     Returns the CAS ID for the compound, if known.
3656 :    
3657 :     =cut
3658 :    
3659 :     sub cas {
3660 :     my($self,$cid) = @_;
3661 :    
3662 :     my $rdbH = $self->db_handle;
3663 :     my $relational_db_response = $rdbH->SQL("SELECT cas FROM comp_cas where cid = \'$cid\'");
3664 :     if (@$relational_db_response == 1)
3665 :     {
3666 :     return $relational_db_response->[0]->[0];
3667 :     }
3668 :     return "";
3669 :     }
3670 :    
3671 :     =pod
3672 :    
3673 :     =head1 cas_to_cid
3674 :    
3675 :     usage: $cid = $fig->cas_to_cid($cas)
3676 :    
3677 :     Returns the compound id (cid), given the CAS ID.
3678 :    
3679 :     =cut
3680 :    
3681 :     sub cas_to_cid {
3682 :     my($self,$cas) = @_;
3683 :    
3684 :     my $rdbH = $self->db_handle;
3685 :     my $relational_db_response = $rdbH->SQL("SELECT cid FROM comp_cas where cas = \'$cas\'");
3686 :     if (@$relational_db_response == 1)
3687 :     {
3688 :     return $relational_db_response->[0]->[0];
3689 :     }
3690 :     return "";
3691 :     }
3692 :    
3693 :     =pod
3694 :    
3695 :     =head1 all_reactions
3696 :    
3697 :     usage: @rids = $fig->all_reactions
3698 :    
3699 :     Returns a list containing all of the KEGG reaction IDs.
3700 :    
3701 :     =cut
3702 :    
3703 :     sub all_reactions {
3704 :     my($self) = @_;
3705 :    
3706 :     my $rdbH = $self->db_handle;
3707 :     my $relational_db_response = $rdbH->SQL("SELECT DISTINCT rid FROM reaction_to_compound");
3708 :     if (@$relational_db_response > 0)
3709 :     {
3710 :     return sort map { $_->[0] } @$relational_db_response;
3711 :     }
3712 :     return ();
3713 :     }
3714 :    
3715 :     =pod
3716 :    
3717 :     =head1 reversible
3718 :    
3719 :     usage: $rev = $fig->reversible($rid)
3720 :    
3721 :     Returns true iff the reactions had a "main direction" designated as "<=>";
3722 :    
3723 :     =cut
3724 :    
3725 :     sub reversible {
3726 :     my($self,$rid) = @_;
3727 :    
3728 :     my $rdbH = $self->db_handle;
3729 :     my $relational_db_response = $rdbH->SQL("SELECT reversible FROM reversible where rid = \'$rid\'");
3730 :     if (@$relational_db_response == 1)
3731 :     {
3732 :     return $relational_db_response->[0]->[0];
3733 :     }
3734 :     return 1;
3735 :     }
3736 :    
3737 :     =pod
3738 :    
3739 :     =head1 reaction2comp
3740 :    
3741 :     usage: @tuples = $fig->reaction2comp($rid,$which)
3742 :    
3743 :     Returns the "substrates" iff $which == 0. In any event (i.e., whether you ask for substrates
3744 :     or products), you get back a list of 3-tuples. Each 3-tuple will contain
3745 :    
3746 :     [$cid,$stoich,$main]
3747 :    
3748 :     Stoichiometry is normally numeric, but can be things like "n" or "(n+1)".
3749 :     $main is 1 iff the compound is considered "main" or "connectable".
3750 :    
3751 :     =cut
3752 :    
3753 :     sub reaction2comp {
3754 :     my($self,$rid,$which) = @_;
3755 :    
3756 :     my $rdbH = $self->db_handle;
3757 :     my $relational_db_response = $rdbH->SQL("SELECT cid,stoich,main FROM reaction_to_compound where rid = \'$rid\' and setn = \'$which\'");
3758 :     if (@$relational_db_response > 0)
3759 :     {
3760 :     return sort { $a->[0] cmp $b->[0] } map { $_->[1] =~ s/\s+//g; $_ } @$relational_db_response;
3761 :     }
3762 :     return ();
3763 :     }
3764 :    
3765 :     =pod
3766 :    
3767 :     =head1 catalyzed_by
3768 :    
3769 :     usage: @ecs = $fig->catalyzed_by($rid)
3770 :    
3771 :     Returns the ECs that are reputed to catalyze the reaction. Note that we are currently
3772 :     just returning the ECs that KEGG gives. We need to handle the incompletely specified forms
3773 :     (e.g., 1.1.1.-), but we do not do it yet.
3774 :    
3775 :     =cut
3776 :    
3777 :     sub catalyzed_by {
3778 :     my($self,$rid) = @_;
3779 :    
3780 :     my $rdbH = $self->db_handle;
3781 :     my $relational_db_response = $rdbH->SQL("SELECT role FROM reaction_to_enzyme where rid = \'$rid\'");
3782 :     if (@$relational_db_response > 0)
3783 :     {
3784 :     return sort map { $_->[0] } @$relational_db_response;
3785 :     }
3786 :     return ();
3787 :     }
3788 :    
3789 :     =pod
3790 :    
3791 :     =head1 catalyzes
3792 :    
3793 :     usage: @ecs = $fig->catalyzes($role)
3794 :    
3795 :     Returns the rids of the reactions catalyzed by the "role" (normally an EC).
3796 :    
3797 :     =cut
3798 :    
3799 :     sub catalyzes {
3800 :     my($self,$role) = @_;
3801 :    
3802 :     my $rdbH = $self->db_handle;
3803 :     my $relational_db_response = $rdbH->SQL("SELECT rid FROM reaction_to_enzyme where role = \'$role\'");
3804 :     if (@$relational_db_response > 0)
3805 :     {
3806 :     return sort map { $_->[0] } @$relational_db_response;
3807 :     }
3808 :     return ();
3809 :     }
3810 :    
3811 :    
3812 :     =pod
3813 :    
3814 :     =head1 displayable_reaction
3815 :    
3816 :     usage: $display_format = $fig->displayable_reaction($rid)
3817 :    
3818 :     Returns a string giving the displayable version of a reaction.
3819 :    
3820 :     =cut
3821 :    
3822 :     sub displayable_reaction {
3823 :     my($self,$rid) = @_;
3824 :    
3825 :     my @tmp = `grep $rid $FIG_Config::data/KEGG/reaction_name.lst`;
3826 :     if (@tmp > 0)
3827 :     {
3828 : golsen 1.44 chomp $tmp[0];
3829 : efrank 1.1 return $tmp[0];
3830 :     }
3831 :     return $rid;
3832 :     }
3833 :    
3834 :     =pod
3835 :    
3836 :     =head1 all_maps
3837 :    
3838 :     usage: @maps = $fig->all_maps
3839 :    
3840 :     Returns a list containing all of the KEGG maps that the system knows about (the
3841 :     maps need to be periodically updated).
3842 :    
3843 :     =cut
3844 :    
3845 :     sub all_maps {
3846 :     my($self,$ec) = @_;
3847 :    
3848 :     my $rdbH = $self->db_handle;
3849 :     my $relational_db_response = $rdbH->SQL("SELECT DISTINCT map FROM ec_map ");
3850 :     if (@$relational_db_response > 0)
3851 :     {
3852 :     return map { $_->[0] } @$relational_db_response;
3853 :     }
3854 :     return ();
3855 :     }
3856 :    
3857 :     =pod
3858 :    
3859 :     =head1 ec_to_maps
3860 :    
3861 :     usage: @maps = $fig->ec_to_maps($ec)
3862 :    
3863 :     Returns the set of maps that contain $ec as a functional role. $ec is usually an EC number,
3864 :     but in the more general case, it can be a functional role.
3865 :    
3866 :     =cut
3867 :    
3868 :     sub ec_to_maps {
3869 :     my($self,$ec) = @_;
3870 :    
3871 :     my $rdbH = $self->db_handle;
3872 :     my $relational_db_response = $rdbH->SQL("SELECT map FROM ec_map WHERE ( ec = \'$ec\' )");
3873 :     if (@$relational_db_response > 0)
3874 :     {
3875 :     return map { $_->[0] } @$relational_db_response;
3876 :     }
3877 :     return ();
3878 :     }
3879 :    
3880 :    
3881 :     =pod
3882 :    
3883 :     =head1 map_to_ecs
3884 :    
3885 :     usage: @ecs = $fig->map_to_ecs($map)
3886 :    
3887 :     Returns the set of functional roles (usually ECs) that are contained in the functionality
3888 :     depicted by $map.
3889 :    
3890 :     =cut
3891 :    
3892 :     sub map_to_ecs {
3893 :     my($self,$map) = @_;
3894 :    
3895 :     my $rdbH = $self->db_handle;
3896 :     my $relational_db_response = $rdbH->SQL("SELECT ec FROM ec_map WHERE ( map = \'$map\' )");
3897 :     if (@$relational_db_response > 0)
3898 :     {
3899 :     return map { $_->[0] } @$relational_db_response;
3900 :     }
3901 :     return ();
3902 :     }
3903 :    
3904 : overbeek 1.89 sub map_to_roles {
3905 :     my($self,$map) = @_;
3906 :    
3907 :     return $self->map_to_ecs($map);
3908 :     }
3909 :    
3910 : efrank 1.1 =pod
3911 :    
3912 :     =head1 map_name
3913 :    
3914 :     usage: $name = $fig->map_name($map)
3915 :    
3916 :     Returns the descriptive name covering the functionality depicted by $map.
3917 :    
3918 :     =cut
3919 :    
3920 :     sub map_name {
3921 :     my($self,$map) = @_;
3922 :    
3923 :     my $rdbH = $self->db_handle;
3924 :     my $relational_db_response = $rdbH->SQL("SELECT mapname FROM map_name WHERE ( map = \'$map\' )");
3925 :     if (@$relational_db_response == 1)
3926 :     {
3927 :     return $relational_db_response->[0]->[0];
3928 :     }
3929 :     return "";
3930 :     }
3931 :    
3932 :     ################################# Functional Roles ####################################
3933 :    
3934 :     =pod
3935 :    
3936 :     =head1 neighborhood_of_role
3937 :    
3938 :     usage: @roles = $fig->neighborhood_of_role($role)
3939 :    
3940 :     Returns a list of functional roles that we consider to be "the neighborhood" of $role.
3941 :    
3942 :     =cut
3943 :    
3944 :     sub neighborhood_of_role {
3945 :     my($self,$role) = @_;
3946 :     my($readC);
3947 :    
3948 :     my $file = "$FIG_Config::global/role.neighborhoods";
3949 :     my $rdbH = $self->db_handle;
3950 :     my $roleQ = quotemeta $role;
3951 :     my $relational_db_response = $rdbH->SQL("SELECT seek, len FROM neigh_seeks WHERE role = \'$roleQ\' ");
3952 :     if (@$relational_db_response == 1)
3953 :     {
3954 :     my($seek,$ln) = @{$relational_db_response->[0]};
3955 :     my $fh = $self->openF($file);
3956 :     seek($fh,$seek,0);
3957 :     my $readN = read($fh,$readC,$ln-1);
3958 :     ($readN == ($ln-1))
3959 :     || confess "could not read the block of sims at $seek for $ln - 1 characters; $readN actually read from $file\n$readC";
3960 :     return grep { $_ && ($_ !~ /^\/\//) } split(/\n/,$readC);
3961 :     }
3962 :     return ();
3963 :     }
3964 :    
3965 :     =pod
3966 :    
3967 :     =head1 roles_of_function
3968 :    
3969 :     usage: @roles = $fig->roles_of_function($func)
3970 :    
3971 :     Returns a list of the functional roles implemented by $func.
3972 :    
3973 :     =cut
3974 :    
3975 :     sub roles_of_function {
3976 :     my($func) = @_;
3977 :    
3978 :     return (split(/\s*[\/;]\s+/,$func),($func =~ /\d+\.\d+\.\d+\.\d+/g));
3979 :     }
3980 :    
3981 :     =pod
3982 :    
3983 :     =head1 seqs_with_role
3984 :    
3985 :     usage: @pegs = $fig->seqs_with_role($role,$who)
3986 :    
3987 :     Returns a list of the pegs that implement $role. If $who is not given, it
3988 :     defaults to "master". The system returns all pegs with an assignment made by
3989 :     either "master" or $who (if it is different than the master) that implement $role.
3990 :     Note that this includes pegs for which the "master" annotation disagrees with that
3991 :     of $who, the master's implements $role, and $who's does not.
3992 :    
3993 :     =cut
3994 :    
3995 :     sub seqs_with_role {
3996 : overbeek 1.26 my($self,$role,$who,$genome) = @_;
3997 :     my($relational_db_response,$query);
3998 : efrank 1.1
3999 : overbeek 1.32 my $roleQ = quotemeta $role;
4000 :    
4001 : efrank 1.1 $who = $who ? $who : "master";
4002 :     my $rdbH = $self->db_handle;
4003 :    
4004 :     my $who_cond;
4005 :     if ($who eq "master")
4006 :     {
4007 :     $who_cond = "( made_by = \'master\' OR made_by = \'unknown\' )";
4008 :     }
4009 :     else
4010 :     {
4011 :     $who_cond = "( made_by = \'master\' OR made_by = \'$who\' OR made_by = \'unknown\')";
4012 :     }
4013 : overbeek 1.26
4014 :     if (! $genome)
4015 :     {
4016 : overbeek 1.32 $query = "SELECT distinct prot FROM roles WHERE (( role = \'$roleQ\' ) AND $who_cond )";
4017 : overbeek 1.26 }
4018 :     else
4019 :     {
4020 : overbeek 1.32 $query = "SELECT distinct prot FROM roles WHERE (( role = \'$roleQ\' ) AND $who_cond AND (org = \'$genome\'))";
4021 : overbeek 1.26 }
4022 : efrank 1.1 return (($relational_db_response = $rdbH->SQL($query)) && (@$relational_db_response >= 1)) ?
4023 :     map { $_->[0] } @$relational_db_response : ();
4024 :     }
4025 :    
4026 :     =pod
4027 :    
4028 :     =head1 seqs_with_roles_in_genomes
4029 :    
4030 :     usage: $result = $fig->seqs_with_roles_in_genomes($genomes,$roles,$made_by)
4031 :    
4032 :     This routine takes a pointer to a list of genomes ($genomes) and a pointer to a list of
4033 :     roles ($roles) and looks up all of the sequences that connect to those roles according
4034 :     to either the master assignments or those made by $made_by. Again, you will get assignments
4035 :     for which the "master" assignment connects, but the $made_by does not.
4036 :    
4037 :     A hash is returned. The keys to the hash are genome IDs for which at least one sequence
4038 :     was found. $result->{$genome} will itself be a hash, assuming that at least one sequence
4039 :     was found for $genome. $result->{$genome}->{$role} will be set to a pointer to a list of
4040 :     2-tuples. Each 2-tuple will contain [$peg,$function], where $function is the one for
4041 :     $made_by (which may not be the one that connected).
4042 :    
4043 :     =cut
4044 :    
4045 :     sub seqs_with_roles_in_genomes {
4046 :     my($self,$genomes,$roles,$made_by) = @_;
4047 :     my($genome,$role,$roleQ,$role_cond,$made_by_cond,$query,$relational_db_response,$peg,$genome_cond,$hit);
4048 :     my $rdbH = $self->db_handle;
4049 :     my $result = {}; # foreach $genome ($self->genomes) { $result->{$genome} = {} }
4050 :     if (! $made_by) { $made_by = 'master' }
4051 :     if ((@$genomes > 0) && (@$roles > 0))
4052 :     {
4053 :     $genome_cond = "(" . join(" OR ",map { "( org = \'$_\' )" } @$genomes) . ")";
4054 :     $role_cond = "(" . join(" OR ",map { $roleQ = quotemeta $_; "( role = \'$roleQ\' )" } @$roles) . ")";
4055 :     $made_by_cond = ($made_by eq 'master') ? "(made_by = 'master')" : "(made_by = 'master' OR made_by = '$made_by')";
4056 :     $query = "SELECT distinct prot, role FROM roles WHERE ( $made_by_cond AND $genome_cond AND $role_cond )";
4057 :     if (($relational_db_response = $rdbH->SQL($query)) && (@$relational_db_response >= 1))
4058 :     {
4059 :     foreach $hit (@$relational_db_response)
4060 :     {
4061 :     ($peg,$role) = @$hit;
4062 :     $genome = $self->genome_of($peg);
4063 :     push(@{ $result->{$genome}->{$role} },[$peg,scalar $self->function_of($peg,$made_by)]);
4064 :     }
4065 :     }
4066 :     }
4067 :     return $result;
4068 :     }
4069 :    
4070 :     =pod
4071 :    
4072 :     =head1 largest_clusters
4073 :    
4074 :     usage: @clusters = $fig->largest_clusters($roles,$user)
4075 :    
4076 : mkubal 1.54 This routine can be used to find the largest clusters containing some of the
4077 : efrank 1.1 designated set of roles. A list of clusters is returned. Each cluster is a pointer to
4078 :     a list of pegs.
4079 :    
4080 :     =cut
4081 :    
4082 :     sub largest_clusters {
4083 :     my($self,$roles,$user,$sort_by_unique_functions) = @_;
4084 :     my($genome,$x,$role,$y,$peg,$loc,$contig,$beg,$end,%pegs,@pegs,$i,$j);
4085 :    
4086 :     my $ss = $self->seqs_with_roles_in_genomes([$self->genomes],$roles,$user);
4087 :     my @clusters = ();
4088 :    
4089 :     foreach $genome (keys(%$ss))
4090 :     {
4091 :     my %pegs;
4092 :     $x = $ss->{$genome};
4093 :     foreach $role (keys(%$x))
4094 :     {
4095 :     $y = $x->{$role};
4096 :     foreach $peg (map { $_->[0] } @$y)
4097 :     {
4098 :     if ($loc = $self->feature_location($peg))
4099 :     {
4100 :     ($contig,$beg,$end) = &FIG::boundaries_of($loc);
4101 :     $pegs{$peg} = [$peg,$contig,int(($beg + $end) / 2)];
4102 :     }
4103 :     }
4104 :     }
4105 :    
4106 :     @pegs = sort { ($pegs{$a}->[1] cmp $pegs{$b}->[1]) or ($pegs{$a}->[2] <=> $pegs{$b}->[2]) } keys(%pegs);
4107 :     $i = 0;
4108 :     while ($i < $#pegs)
4109 :     {
4110 :     for ($j=$i+1; ($j < @pegs) && &close_enough_locs($pegs{$pegs[$j-1]},$pegs{$pegs[$j]}); $j++) {}
4111 :     if ($j > ($i+1))
4112 :     {
4113 :     push(@clusters,[@pegs[$i..$j-1]]);
4114 :     }
4115 :     $i = $j;
4116 :     }
4117 :     }
4118 :     if ($sort_by_unique_functions)
4119 :     {
4120 :     @clusters = sort { $self->unique_functions($b,$user) <=> $self->unique_functions($a,$user) } @clusters;
4121 :     }
4122 :     else
4123 :     {
4124 :     @clusters = sort { @$b <=> @$a } @clusters;
4125 :     }
4126 :     return @clusters;
4127 :     }
4128 :    
4129 :     sub unique_functions {
4130 :     my($self,$pegs,$user) = @_;
4131 :     my($peg,$func,%seen);
4132 :    
4133 :     foreach $peg (@$pegs)
4134 :     {
4135 :     if ($func = $self->function_of($peg,$user))
4136 :     {
4137 :     $seen{$func} = 1;
4138 :     }
4139 :     }
4140 :     return scalar keys(%seen);
4141 :     }
4142 :    
4143 :     sub close_enough_locs {
4144 :     my($x,$y) = @_;
4145 :    
4146 :     return (($x->[1] eq $y->[1]) && (abs($x->[2] - $y->[2]) < 5000));
4147 :     }
4148 :    
4149 : overbeek 1.59 sub candidates_for_role {
4150 :     my($self,$role,$genome,$cutoff,$user) = @_;
4151 :     my($peg);
4152 : overbeek 1.64
4153 : overbeek 1.59 $user = $user ? $user : "master";
4154 :    
4155 :     my @cand = map { $_->[0] }
4156 :     sort { $a->[1] <=> $b->[1] }
4157 :     map { $peg = $_; [$peg,$self->crude_estimate_of_distance($genome,&FIG::genome_of($peg))] }
4158 :     $self->seqs_with_role($role,$user);
4159 :    
4160 : overbeek 1.64 return $self->candidates_for_role_from_known($genome,$cutoff,\@cand);
4161 :     }
4162 :    
4163 :     sub candidates_for_role_from_known {
4164 :     my($self,$genome,$cutoff,$known) = @_;
4165 :     my($peg);
4166 :    
4167 :     my @cand = @$known;
4168 : overbeek 1.59 my $hits = {};
4169 :     my $seen = {};
4170 : overbeek 1.68 my $how_many = (@cand > 10) ? 9 : scalar @cand;
4171 :     &try_to_locate($self,$genome,$hits,[@cand[0..$how_many]],$seen,$cutoff);
4172 : overbeek 1.59 if (keys(%$hits) == 0)
4173 :     {
4174 :     splice(@cand,0,$how_many+1);
4175 :     &try_to_locate($self,$genome,$hits,\@cand,$seen,$cutoff);
4176 :     }
4177 :     return sort {$hits->{$a}->[0] <=> $hits->{$b}->[0]} keys(%$hits);
4178 :     }
4179 :    
4180 :     sub try_to_locate {
4181 :     my($self,$genome,$hits,$to_try,$seen,$cutoff) = @_;
4182 :     my($prot,$id2,$psc,$id2a,$x,$sim);
4183 :    
4184 :     if (! $cutoff) { $cutoff = 1.0e-5 }
4185 :    
4186 :     foreach $prot (@$to_try)
4187 :     {
4188 :     if (! $seen->{$prot})
4189 :     {
4190 :     if (($prot =~ /^fig\|(\d+\.\d+)/) && ($1 eq $genome))
4191 :     {
4192 :     $hits->{$prot} = [0,$prot];
4193 :     }
4194 :     else
4195 :     {
4196 :     foreach $sim ($self->sims($prot,1000,$cutoff,"raw",0))
4197 :     {
4198 :     $id2 = $sim->id2;
4199 :     $psc = $sim->psc;
4200 :     foreach $id2a (map { $_->[0] } $self->mapped_prot_ids($id2))
4201 :     {
4202 :     if (($id2a =~ /^fig\|(\d+\.\d+)/) && ($1 eq $genome))
4203 :     {
4204 :     $x = $hits->{$id2a};
4205 :     if ((! $x) || ($x->[0] > $psc))
4206 :     {
4207 :     $hits->{$id2a} = [$sim->psc,$prot];
4208 :     }
4209 :     }
4210 :     elsif ($psc < 1.0e-20)
4211 :     {
4212 :     {
4213 :     $seen->{$id2a} = 1;
4214 :     }
4215 :     }
4216 :     }
4217 :    
4218 :     }
4219 :     }
4220 :     }
4221 :     }
4222 :     }
4223 :    
4224 : overbeek 1.65
4225 :     =pod
4226 :    
4227 :     =head1 best_bbh_candidates
4228 :    
4229 :     usage: @candidates = $fig->best_bbh_candidates($genome,$cutoff,$requested,$known)
4230 :    
4231 :     This routine returns a list of up to $requested candidates from $genome. A candidate is a BBH
4232 :     against one of the PEGs in @$known. Each entry in the list is a 3-tuple:
4233 :    
4234 :     [CandidatePEG,KnownBBH,Pscore]
4235 :    
4236 :     =cut
4237 :    
4238 :     sub best_bbh_candidates {
4239 : overbeek 1.71 my($self,$genome,$cutoff,$requested,$known,$frac_match) = @_;
4240 : overbeek 1.64 my($i,$j,$k,$sim,@sims,$peg,$id2,$genome2,$sim_back);
4241 : overbeek 1.67 my($bbh,%seen,%computed_sims,$genome1);
4242 : overbeek 1.64
4243 : overbeek 1.71 $frac_match = defined($frac_match) ? $frac_match : 0.7;
4244 : overbeek 1.64 my @got = ();
4245 :     my @cand = $self->candidates_for_role_from_known($genome,$cutoff,$known);
4246 :     if (@cand > 0)
4247 :     {
4248 : overbeek 1.67 my %genomes = map { $genome1 = &FIG::genome_of($_); $genome1 => 1 } @$known;
4249 : overbeek 1.64 my %pegs = map { $_ => 1 } @$known;
4250 :     for ($i=0; (@got < $requested) && ($i < @cand); $i++)
4251 :     {
4252 :     $peg = $cand[$i];
4253 :     undef %seen;
4254 :     @sims = grep { $genomes{&FIG::genome_of($_->id2)} } $self->sims($peg,1000,$cutoff,"fig");
4255 :     $bbh = 0;
4256 :     for ($j=0; (! $bbh) && ($j < @sims); $j++)
4257 :     {
4258 :     $sim = $sims[$j];
4259 :     $id2 = $sim->id2;
4260 :     $genome2 = &FIG::genome_of($id2);
4261 :     if (! $seen{$genome2})
4262 :     {
4263 :     if ($pegs{$id2})
4264 :     {
4265 :     if (! defined($sim_back = $computed_sims{$id2}))
4266 :     {
4267 :     my @sims_back = $self->sims($id2,1000,$cutoff,"fig");
4268 :     for ($k=0; ($k < @sims_back) && (&FIG::genome_of($sims_back[$k]->id2) ne $genome); $k++) {}
4269 :     if ($k < @sims_back)
4270 :     {
4271 :     $sim_back = $computed_sims{$id2} = $sims_back[$k];
4272 :     }
4273 :     else
4274 :     {
4275 :     $sim_back = $computed_sims{$id2} = 0;
4276 :     }
4277 :     }
4278 :     if ($sim_back)
4279 :     {
4280 : overbeek 1.71 if ($self->ok_match($sim_back,$frac_match))
4281 : overbeek 1.64 {
4282 : overbeek 1.65 $bbh = [$id2,$sim_back->psc];
4283 : overbeek 1.64 }
4284 :     }
4285 :     }
4286 :     $seen{$genome2} = 1;
4287 :     }
4288 :     }
4289 :    
4290 :     if ($bbh)
4291 :     {
4292 : overbeek 1.65 push(@got,[$peg,@$bbh]);
4293 : overbeek 1.64 }
4294 :     }
4295 :     }
4296 :     return @got;
4297 :     }
4298 :    
4299 :    
4300 :     sub ok_match {
4301 : overbeek 1.71 my($self,$sim,$frac_match) = @_;
4302 : overbeek 1.64
4303 :     my $ln1 = $sim->ln1;
4304 :     my $ln2 = $sim->ln2;
4305 :     my $b1 = $sim->b1;
4306 :     my $e1 = $sim->e1;
4307 :     my $b2 = $sim->b2;
4308 :     my $e2 = $sim->e2;
4309 :    
4310 : overbeek 1.71 return (((($e1 - $b1) / $ln1) >= $frac_match) &&
4311 :     ((($e2 - $b2) / $ln2) >= $frac_match))
4312 :     }
4313 :    
4314 :     sub external_calls {
4315 :     my($self,$pegs) = @_;
4316 : overbeek 1.72 my($peg,$func);
4317 : overbeek 1.71
4318 :     open(TMP,">/tmp/pegs.$$") || die "could not open /tmp/pegs.$$";
4319 :     foreach $peg (@$pegs)
4320 :     {
4321 :     print TMP "$peg\n";
4322 :     }
4323 :     close(TMP);
4324 :     open(TMP,">/tmp/parms.$$") || die "could not open /tmp/parms.$$";
4325 :     print TMP "no_fig\t1\n";
4326 :     close(TMP);
4327 :    
4328 : overbeek 1.72 my %call = map { chop; ($peg,$func) = split(/\t/,$_) }
4329 :     `$FIG_Config::bin/auto_assign /tmp/parms.$$ < /tmp/pegs.$$ 2> /dev/null | $FIG_Config::bin/make_calls`;
4330 : overbeek 1.71 unlink("/tmp/pegs.$$","/tmp/parms.$$");
4331 : overbeek 1.72 return map { $call{$_} ? [$_,$call{$_}] : [$_,"hypothetical protein"] } @$pegs;
4332 : overbeek 1.71 }
4333 :    
4334 :     use SameFunc;
4335 :    
4336 :     sub same_func {
4337 :     my($self,$f1,$f2) = @_;
4338 :    
4339 :     return &SameFunc::same_func($f1,$f2);
4340 : overbeek 1.64 }
4341 :    
4342 : efrank 1.1 ################################# DNA sequence Stuff ####################################
4343 :    
4344 :     =pod
4345 :    
4346 :     =head1 extract_seq
4347 :    
4348 :     usage: $seq = &FIG::extract_seq($contigs,$loc)
4349 :    
4350 :     This is just a little utility routine that I have found convenient. It assumes that
4351 :     $contigs is a hash that contains IDs as keys and sequences as values. $loc must be of the
4352 :     form
4353 :     Contig_Beg_End
4354 :    
4355 :     where Contig is the ID of one of the sequences; Beg and End give the coordinates of the sought
4356 :     subsequence. If Beg > End, it is assumed that you want the reverse complement of the subsequence.
4357 :     This routine plucks out the subsequence for you.
4358 :    
4359 :     =cut
4360 :    
4361 :     sub extract_seq {
4362 :     my($contigs,$loc) = @_;
4363 :     my($contig,$beg,$end,$contig_seq);
4364 :     my($plus,$minus);
4365 :    
4366 :     $plus = $minus = 0;
4367 :     my $strand = "";
4368 :     my @loc = split(/,/,$loc);
4369 :     my @seq = ();
4370 :     foreach $loc (@loc)
4371 :     {
4372 :     if ($loc =~ /^\S+_(\d+)_(\d+)$/)
4373 :     {
4374 :     if ($1 < $2)
4375 :     {
4376 :     $plus++;
4377 :     }
4378 :     elsif ($2 < $1)
4379 :     {
4380 :     $minus++;
4381 :     }
4382 :     }
4383 :     }
4384 :     if ($plus > $minus)
4385 :     {
4386 :     $strand = "+";
4387 :     }
4388 :     elsif ($plus < $minus)
4389 :     {
4390 :     $strand = "-";
4391 :     }
4392 :    
4393 :     foreach $loc (@loc)
4394 :     {
4395 :     if ($loc =~ /^(\S+)_(\d+)_(\d+)$/)
4396 :     {
4397 :     ($contig,$beg,$end) = ($1,$2,$3);
4398 :     if (($beg < $end) || (($beg == $end) && ($strand eq "+")))
4399 :     {
4400 :     $strand = "+";
4401 :     push(@seq,substr($contigs->{$contig},$beg-1,($end+1-$beg)));
4402 :     }
4403 :     else
4404 :     {
4405 :     $strand = "-";
4406 :     push(@seq,&reverse_comp(substr($contigs->{$contig},$end-1,($beg+1-$end))));
4407 :     }
4408 :     }
4409 :     }
4410 :     return join("",@seq);
4411 :     }
4412 :    
4413 :     =pod
4414 :    
4415 : overbeek 1.85 =head1 all_contigs
4416 :    
4417 :     usage: @contig_ids = $fig->all_contigs($genome)
4418 :    
4419 :     Returns a list of all of the contigs occurring in the designated genome.
4420 :    
4421 :     =cut
4422 :    
4423 :     sub all_contigs {
4424 :     my($self,$genome) = @_;
4425 :     my($rdbH,$relational_db_response);
4426 :    
4427 :     $rdbH = $self->db_handle;
4428 :     if (defined($genome))
4429 :     {
4430 :     if ($relational_db_response = $rdbH->SQL("SELECT DISTINCT contig FROM contig_lengths WHERE ( genome = \'$genome\' )"))
4431 :     {
4432 :     return map { $_->[0] } @$relational_db_response;
4433 :     }
4434 :     }
4435 :     return undef;
4436 :     }
4437 :    
4438 :     =pod
4439 :    
4440 : efrank 1.1 =head1 contig_ln
4441 :    
4442 :     usage: $n = $fig->contig_ln($genome,$contig)
4443 :    
4444 :     Returns the length of $contig from $genome.
4445 :    
4446 :     =cut
4447 :    
4448 :     sub contig_ln {
4449 :     my($self,$genome,$contig) = @_;
4450 :     my($rdbH,$relational_db_response);
4451 :    
4452 :     $rdbH = $self->db_handle;
4453 :     if (defined($genome) && defined($contig))
4454 :     {
4455 :     if (($relational_db_response = $rdbH->SQL("SELECT len FROM contig_lengths WHERE ( genome = \'$genome\' ) and ( contig = \'$contig\' )")) &&
4456 :    
4457 :     (@$relational_db_response == 1))
4458 :     {
4459 :     return $relational_db_response->[0]->[0];
4460 :     }
4461 :     }
4462 :     return undef;
4463 :     }
4464 :    
4465 :     =pod
4466 :    
4467 :     =head1 dna_seq
4468 :    
4469 :     usage: $seq = dna_seq($genome,@locations)
4470 :    
4471 :     Returns the concatenated subsequences described by the list of locations. Each location
4472 :     must be of the form
4473 :    
4474 :     Contig_Beg_End
4475 :    
4476 :     where Contig must be the ID of a contig for genome $genome. If Beg > End the location
4477 :     describes a stretch of the complementary strand.
4478 :    
4479 :     =cut
4480 :    
4481 :     sub dna_seq {
4482 :     my($self,$genome,@locations) = @_;
4483 :     my(@pieces,$loc,$contig,$beg,$end,$ln,$rdbH);
4484 :    
4485 : overbeek 1.86 @locations = map { split(/,/,$_) } @locations;
4486 : efrank 1.1 @pieces = ();
4487 :     foreach $loc (@locations)
4488 :     {
4489 :     if ($loc =~ /^(\S+)_(\d+)_(\d+)$/)
4490 :     {
4491 :     ($contig,$beg,$end) = ($1,$2,$3);
4492 :     $ln = $self->contig_ln($genome,$contig);
4493 :    
4494 :     if (! $ln) {
4495 :     print STDERR "$genome/$contig: could not get length\n";
4496 :     return "";
4497 :     }
4498 :    
4499 :     if (&between(1,$beg,$ln) && &between(1,$end,$ln))
4500 :     {
4501 :     if ($beg < $end)
4502 :     {
4503 :     push(@pieces, $self->get_dna($genome,$contig,$beg,$end));
4504 :     }
4505 :     else
4506 :     {
4507 :     push(@pieces, &reverse_comp($self->get_dna($genome,$contig,$end,$beg)));
4508 :     }
4509 :     }
4510 :     }
4511 :     }
4512 :     return join("",@pieces);
4513 :     }
4514 :    
4515 :     sub get_dna {
4516 :     my($self,$genome,$contig,$beg,$end) = @_;
4517 :     my $relational_db_response;
4518 :    
4519 :     my $rdbH = $self->db_handle;
4520 :     my $indexpt = int(($beg-1)/10000) * 10000;
4521 :     if (($relational_db_response = $rdbH->SQL("SELECT startN,fileno,seek FROM contig_seeks WHERE ( genome = \'$genome\' ) AND ( contig = \'$contig\' ) AND ( indexpt = $indexpt )")) &&
4522 :     (@$relational_db_response == 1))
4523 :     {
4524 :     my($startN,$fileN,$seek) = @{$relational_db_response->[0]};
4525 :     my $fh = $self->openF($self->N2file($fileN));
4526 :     if (seek($fh,$seek,0))
4527 :     {
4528 :     my $chunk = "";
4529 :     read($fh,$chunk,int(($end + 1 - $startN) * 1.03));
4530 :     $chunk =~ s/\s//g;
4531 :     my $ln = ($end - $beg) + 1;
4532 :     if (length($chunk) >= $ln)
4533 :     {
4534 :     return substr($chunk,(($beg-1)-$startN),$ln);
4535 :     }
4536 :     }
4537 :     }
4538 :     return undef;
4539 :     }
4540 :    
4541 : overbeek 1.36 ################################# Taxonomy ####################################
4542 :    
4543 :     =pod
4544 :    
4545 :     =head1 taxonomy_of
4546 :    
4547 :     usage: $gs = $fig->taxonomy_of($genome_id)
4548 :    
4549 :     Returns the taxonomy of the specified genome. Gives the taxonomy down to
4550 :     genus and species.
4551 :    
4552 :     =cut
4553 :    
4554 :     sub taxonomy_of {
4555 :     my($self,$genome) = @_;
4556 :     my($ans);
4557 :     my $taxonomy = $self->cached('_taxonomy');
4558 :    
4559 :     if (! ($ans = $taxonomy->{$genome}))
4560 :     {
4561 :     my $rdbH = $self->db_handle;
4562 :     my $relational_db_response = $rdbH->SQL("SELECT genome,taxonomy FROM genome");
4563 :     my $pair;
4564 :     foreach $pair (@$relational_db_response)
4565 :     {
4566 :     $taxonomy->{$pair->[0]} = $pair->[1];
4567 :     }
4568 :     $ans = $taxonomy->{$genome};
4569 :     }
4570 :     return $ans;
4571 :     }
4572 :    
4573 :     =pod
4574 :    
4575 :     =head1 is_bacterial
4576 :    
4577 :     usage: $fig->is_bacterial($genome)
4578 :    
4579 :     Returns true iff the genome is bacterial.
4580 :    
4581 :     =cut
4582 :    
4583 :     sub is_bacterial {
4584 :     my($self,$genome) = @_;
4585 :    
4586 : mkubal 1.53 return ($self->taxonomy_of($genome) =~ /^Bacteria/) ? 1 : 0;
4587 : overbeek 1.36 }
4588 :    
4589 :    
4590 :     =pod
4591 :    
4592 :     =head1 is_archaeal
4593 :    
4594 :     usage: $fig->is_archaeal($genome)
4595 :    
4596 :     Returns true iff the genome is archaeal.
4597 :    
4598 :     =cut
4599 :    
4600 :     sub is_archaeal {
4601 :     my($self,$genome) = @_;
4602 :    
4603 : mkubal 1.53 return ($self->taxonomy_of($genome) =~ /^Archaea/) ? 1 : 0;
4604 : overbeek 1.36 }
4605 :    
4606 :    
4607 :     =pod
4608 :    
4609 :     =head1 is_prokaryotic
4610 :    
4611 :     usage: $fig->is_prokaryotic($genome)
4612 :    
4613 :     Returns true iff the genome is prokaryotic
4614 :    
4615 :     =cut
4616 :    
4617 :     sub is_prokaryotic {
4618 :     my($self,$genome) = @_;
4619 :    
4620 : mkubal 1.53 return ($self->taxonomy_of($genome) =~ /^(Archaea|Bacteria)/) ? 1 : 0;
4621 : overbeek 1.36 }
4622 :    
4623 :    
4624 :     =pod
4625 :    
4626 :     =head1 is_eukaryotic
4627 :    
4628 :     usage: $fig->is_eukaryotic($genome)
4629 :    
4630 :     Returns true iff the genome is eukaryotic
4631 :    
4632 :     =cut
4633 :    
4634 :     sub is_eukaryotic {
4635 :     my($self,$genome) = @_;
4636 :    
4637 : mkubal 1.53 return ($self->taxonomy_of($genome) =~ /^Eukaryota/) ? 1 : 0;
4638 : overbeek 1.36 }
4639 :    
4640 :     =pod
4641 :    
4642 :     =head1 sort_genomes_by_taxonomy
4643 :    
4644 :     usage: @genomes = $fig->sort_genomes_by_taxonomy(@list_of_genomes)
4645 :    
4646 :     This routine is used to sort a list of genome IDs to put them
4647 :     into taxonomic order.
4648 :    
4649 :     =cut
4650 :    
4651 :     sub sort_genomes_by_taxonomy {
4652 :     my($self,@fids) = @_;
4653 :    
4654 :     return map { $_->[0] }
4655 :     sort { $a->[1] cmp $b->[1] }
4656 :     map { [$_,$self->taxonomy_of($_)] }
4657 :     @fids;
4658 :     }
4659 :    
4660 :     =pod
4661 :    
4662 :     =head1 crude_estimate_of_distance
4663 :    
4664 :     usage: $dist = $fig->crude_estimate_of_distance($genome1,$genome2)
4665 :    
4666 :     There are a number of places where we need estimates of the distance between
4667 :     two genomes. This routine will return a value between 0 and 1, where a value of 0
4668 :     means "the genomes are essentially identical" and a value of 1 means
4669 :     "the genomes are in different major groupings" (the groupings are archaea, bacteria,
4670 :     euks, and viruses). The measure is extremely crude.
4671 :    
4672 :     =cut
4673 :    
4674 :     sub crude_estimate_of_distance {
4675 :     my($self,$genome1,$genome2) = @_;
4676 :     my($i,$v,$d,$dist);
4677 :    
4678 :     if ($genome1 > $genome2) { ($genome1,$genome2) = ($genome2,$genome1) }
4679 :    
4680 :     my $relational_db_response;
4681 :     my $rdbH = $self->db_handle;
4682 :    
4683 :     if (($relational_db_response = $rdbH->SQL("SELECT dist FROM distances WHERE ( genome1 = \'$genome1\' ) AND ( genome2 = \'$genome2\' ) ")) &&
4684 :     (@$relational_db_response == 1))
4685 :     {
4686 :     return $relational_db_response->[0]->[0];
4687 :     }
4688 :     return $self->crude_estimate_of_distance1($genome1,$genome2);
4689 :     }
4690 :    
4691 :     sub crude_estimate_of_distance1 {
4692 :     my($self,$genome1,$genome2) = @_;
4693 :     my($i,$v,$d,$dist);
4694 :    
4695 :     if ($genome1 > $genome2) { ($genome1,$genome2) = ($genome2,$genome1) }
4696 :     $dist = $self->cached('_dist');
4697 :     if (! $dist->{"$genome1,$genome2"})
4698 :     {
4699 :     my @tax1 = split(/\s*;\s*/,$self->taxonomy_of($genome1));
4700 :     my @tax2 = split(/\s*;\s*/,$self->taxonomy_of($genome2));
4701 :    
4702 :     $d = 1;
4703 :     for ($i=0, $v=0.5; ($i < @tax1) && ($i < @tax2) && ($tax1[$i] eq $tax2[$i]); $i++, $v = $v/2)
4704 :     {
4705 :     $d -= $v;
4706 :     }
4707 :     $dist->{"$genome1,$genome2"} = $d;
4708 :     }
4709 :     return $dist->{"$genome1,$genome2"};
4710 :     }
4711 :    
4712 :     =pod
4713 :    
4714 :     =head1 sort_fids_by_taxonomy
4715 :    
4716 :     usage: @sorted_by_taxonomy = $fig->sort_fids_by_taxonomy(@list_of_fids)
4717 :