Perl-Skripte: Grundlagen & Datentypen

Der Abschnitt beginnt mit der Einführung grundlegender Perl-Konzepte. Die Bestimmung der Länge eines Arrays mit $length = @array wird gezeigt, ebenso wie der Zugriff auf das letzte Element. Dateihandles (STDIN, STDOUT, STDERR) werden zur Ein- und Ausgabe von Daten erklärt, zusammen mit den open()-Funktionen zum Lesen (<file), Schreiben (>file) und Anhängen (>>file) an Dateien. Zusätzlich werden Funktionen zur Stringmanipulation vorgestellt, wie pos($str) zur Bestimmung der Position nach einem Match und length($str) zur Ermittlung der Stringlänge. Die Variablen $& (aktueller Match), $' (Zeichen danach) und $ (Zeichen davor) werden im Kontext von regulären Ausdrücken erläutert. Dieser Teil legt die Basis für die spätere Arbeit mit BioPerl, indem er die fundamentalen Bausteine der Perl-Programmierung vermittelt.

Ein wichtiger Aspekt ist die Organisation von Code durch Pakete und Module. Das Konzept 'ein Paket pro Datei und eine Datei pro Paket' wird betont, was die Grundlage für die Modularität in Perl bildet. Der Zugriff auf Variablen in anderen Paketen wird durch das Beispiel $Color::Red::var illustriert. Module, als spezielle Pakete, werden definiert: Sie bestehen aus genau einer Datei, enden auf .pm und tragen den gleichen Namen wie das Paket. Das :: dient als Pfad-Trennzeichen. Die Verwendung von Modulen mit use Color::Red; wird erklärt, wobei betont wird, dass das Modul in einer entsprechenden Datei (z.B. Color/Red.pm) definiert sein muss. Dieser Abschnitt demonstriert die Vorteile der Modularität und Wiederverwendbarkeit von Code in Perl, ein entscheidender Faktor für die Effizienz bei der Entwicklung von Bioinformatik-Anwendungen.

Der Abschnitt widmet sich der objektorientierten Programmierung (OOP) in Perl. Klassen werden als Blaupausen für Objekte definiert, die Eigenschaften (Instanzvariablen) und Verhalten (Methoden) beschreiben. Objekte selbst sind Instanzen von Klassen, oft repräsentiert durch Referenzen auf Datenstrukturen wie Hashes oder Arrays. Methoden werden als Subroutinen innerhalb einer Klassendefinition erklärt, wobei das erste Argument immer eine Referenz auf das aufrufende Objekt oder die Klasse selbst ist. Es wird betont, dass es syntaktisch keinen Unterschied zwischen Klassen- und Instanzmethoden gibt. Konstruktoren werden als Methoden definiert, die eine Objektreferenz zurückgeben. Der Abschnitt verdeutlicht die Prinzipien der OOP in Perl, die für das Verständnis von BioPerl, das stark auf Klassen und Objekten basiert, essentiell sind.

Die Vererbung in Perl wird anhand des @ISA-Arrays und der use base()-Anweisung erklärt. @ISA definiert die Oberklassen, von denen eine Klasse erbt. use base() ermöglicht den Zugriff auf Methoden der Oberklassen. Die Suche nach Methoden erfolgt durch eine Tiefensuche (DFS): zuerst in der aktuellen Klasse, dann in den Oberklassen. Der Abschnitt betont die Bedeutung der Vererbung zur Code-Wiederverwendung und zur Organisation von Klassenhierarchien. Das Beispiel mit den Klassen Mule, Horse und Donkey verdeutlicht die Mechanismen der Vererbung und die Möglichkeit, Methoden zu überschreiben. Die Möglichkeit, dass die Implementierung einer Methode in einer unbekannten Oberklasse liegt, wird ebenfalls angesprochen. Dies ist ein Kernkonzept der OOP, das die Effizienz und Organisation von Code in größeren Projekten erheblich verbessert und in BioPerl häufig angewendet wird.

Dieser Abschnitt beschreibt die Handhabung von Sequenzdaten in BioPerl. Es werden verschiedene Klassen für Sequenzen eingeführt, darunter Bio::Seq, Bio::Seq::RichSeq (für umfangreiche Annotationen), Bio::Seq::LargeSeq (für besonders lange Sequenzen über 100 MB) und Bio::LiveSeq (für häufig aktualisierte Sequenzen). Die Abstraktion durch die Interfaces Bio::PrimarySeqI und Bio::SeqI wird hervorgehoben. Die Erstellung neuer Sequenzobjekte mit Bio::Seq->new() und die Angabe von Parametern wie -seq (die Sequenz selbst), -alphabet (dna, rna, protein) und -description wird gezeigt. Methoden zur Sequenzmanipulation werden vorgestellt, inklusive subseq() zur Extraktion von Teilsequenzen, revcom() zur Berechnung des reversen Komplements und translate() zur Übersetzung in eine Proteinsequenz. Die Klasse Bio::SeqIO mit den Methoden next_seq() zum Lesen der nächsten Sequenz aus einer Datei und write_seq() zum Schreiben einer Sequenz in eine Datei wird erklärt, illustriert durch das Beispiel mit einer FASTA-Datei (Beispiel.fasta).

Ein zentraler Teil behandelt den Zugriff auf Sequenzdatenbanken. Die Klasse Bio::DB::GenBank ermöglicht die Verbindung zur NCBI GenBank Datenbank (http://www.ncbi.nlm.nih.gov/Genbank/index.html). Der Konstruktor Bio::DB::Query::GenBank->new() wird detailliert beschrieben, mit den Parametern -db ('protein' oder 'nucleotide') und -query (die Suchanfrage, analog zur Eingabe im NCBI-Suchfeld). Methoden wie count() zur Bestimmung der Trefferanzahl und ids() zur Rückgabe einer Liste von GIs (Gene Identifiern) werden vorgestellt. Der Zugriff auf Sequenzmengen wird durch die Methoden get_Stream_by_query() (mit Query-Objekten) und get_Stream_by_gi() (mit einer Liste von GIs) ermöglicht. Die Möglichkeit, einzelne Sequenzabschnitte zu extrahieren und deren Merkmale zu analysieren, wird angedeutet.

Der Umgang mit Sequenzmerkmalen und Annotationen wird über die Interfaces Bio::SeqFeatureI und Bio::LocationI erklärt. Bio::SeqFeatureI repräsentiert Sequenzmerkmale (z.B. CDS, Exons), deren Objekte durch Bio::Seq::get_SeqFeatures() erhalten werden. Methoden wie primary_tag(), display_id() und seq() ermöglichen den Zugriff auf Informationen zu den Merkmalen. Bio::LocationI beschreibt die Positionen von Merkmalen auf der Sequenz. Die Annotationen selbst werden durch Bio::AnnotationCollectionI und dessen Methode get_Annotations() behandelt, mit $annot->tagname() zum Zugriff auf den Annotationsschlüssel. Dieses Kapitel legt den Fokus auf die strukturierte Darstellung und Analyse von biologisch relevanten Informationen innerhalb von Sequenzen, die über die reine Basensequenz hinausgehen.

Die Klasse Bio::Tools::Run::RemoteBlast ermöglicht die Ausführung von BLAST-Suchen über die NCBI-Schnittstelle. Die Methode submit_blast() erlaubt das Einreichen von Sequenzen (als Bio::SeqI-Objekt, Array von Sequenzen oder als FASTA-Datei) für die Suche. Die Methode akzeptiert Parameter wie -prog (BLAST-Version, z.B. 'blastn', 'blastp'), -data (Datenbank, z.B. 'swissprot') und -expect (E-Wert). Der -expect-Wert steuert die Sensitivität der Suche: höhere Werte erhöhen die Wahrscheinlichkeit, auch zufällige Ähnlichkeiten zu finden. Die Rückgabe von submit_blast() ist eine Remote BLAST ID (rid), mit der die Ergebnisse mit retrieve_blast() abgeholt werden können. Die Methode each_rid() liefert eine Liste aller rids. Dieser Abschnitt beschreibt den Ablauf einer BLAST-Suche, von der Übermittlung der Sequenzdaten bis zum Erhalt der Ergebnisse über die NCBI-Schnittstelle.

Die Analyse der BLAST-Ergebnisse kann mit verschiedenen BioPerl-Klassen erfolgen. Bio::SearchIO ist eine moderne Klasse zum Parsen von BLAST-Ergebnisdateien (verschiedene Formate wie 'blast', 'blastxml', 'fasta'). Der Konstruktor Bio::SearchIO->new() benötigt den Dateipfad (-file) und das Format (-format). Wichtige Methoden sind hier nicht im Detail genannt. Bio::Tools::BPlite stellt eine ältere, einfachere Alternative dar, mit Methoden wie database() (verwendete Datenbank) und nextSbjct() (nächstes Subject). Die Klasse Bio::Tools::BPlite::Sbjct enthält Methoden wie name() (Name des Treffers) und nextHSP() (nächstes High-Scoring Pair). Die Interfaces Bio::Search::Result::ResultI (für einzelne BLAST-Ergebnisse, mit algorithm() zur Ermittlung des verwendeten Algorithmus) und Bio::Search::Hit::HitI (für einzelne Hits, mit name() und description()) ermöglichen die strukturierte Analyse der Ergebnisse. Der Abschnitt bietet einen Überblick über verschiedene Werkzeuge zur Auswertung der BLAST-Ergebnisse, angepasst an die Bedürfnisse des Nutzers.

Ein Abschnitt beschreibt die Funktionalität zur Bearbeitung von Restriktionsenzymen. Die Klasse Bio::Restriction::EnzymeCollection erstellt eine Sammlung aller in BioPerl bekannten Enzyme. Die Methoden blunt_enzyme() liefert eine Liste von Enzymen, die einen stumpfen Schnitt erzeugen, während each_enzyme() die gesamte Liste aller Enzyme zurückgibt. Die Anwendung dieser Funktionen wird durch die Angabe von Argumenten illustriert: -seq (ein Bio::SeqI-Objekt, das geschnitten werden soll) und optional -enzymes (ein Bio::Restriction::EnzymeCollection-Objekt). Dieser Teil demonstriert die Integration von Enzyminformationen in BioPerl und ermöglicht die Simulation von Restriktionsverdauen innerhalb des Programms.

Dieser Abschnitt erweitert das Thema Sequenzmerkmale und Annotationen, das bereits im vorherigen Kapitel angesprochen wurde. Es werden zusätzliche Details zu den Interfaces Bio::SeqFeatureI (für Sequenzmerkmale wie Codingssequenzen, repetitive Elemente etc.), Bio::LocationI (für die Start- und Endpositionen von Merkmalen) und Bio::AnnotationCollectionI (für Annotationen) gegeben. Methoden zur Extraktion von Informationen aus diesen Objekten werden erwähnt, wie z.B. $annot->tagname() zur Ermittlung des Annotationstags. Die Interaktion zwischen diesen Interfaces, die aus Bio::Seq::get_SeqFeatures() und Bio::SeqFeatureI::location() beziehungsweise Bio::AnnotationCollectionI::get_Annotations() und Bio::SeqFeatureI::get_Annotations() zurückgegeben werden, wird hier näher beleuchtet, um ein tieferes Verständnis für die hierarchische Struktur der Sequenzdaten und deren Annotationen zu ermöglichen.