張婷婷 龐雪原 晏佳蕓

摘 ?要：生命科學領(lǐng)域中無論是PCR還是測序，都需要了解目的核酸的GC含量。由于目前缺乏獨立統(tǒng)計核酸GC含量的程序。該文采用Perl語言編程，設(shè)計處理了核酸序列統(tǒng)計GC含量的程序。程序采用了BioPerl環(huán)境，利用字符串拆分、遍歷算法和正則表達式對核酸序列進行GC堿基的挖掘。最后該腳本可以應(yīng)用于Windows和Linux系統(tǒng)。適合用于多環(huán)境。

關(guān)鍵詞：GC含量 ?生命科學 ?Perl語言編程 ?字符串拆分 ?正則表達式

中圖分類號：TP311.1 ? 文獻標識碼：A ? ? ? ? ? 文章編號：1672-3791（2019）05（a）-0022-02

在生命科學領(lǐng)域中無論是設(shè)計引物還是分析高通量測序數(shù)據(jù)質(zhì)量都非常關(guān)注核酸的GC含量[1]。這是因為在DNA雙鏈中G堿基與C堿基是互補配對的，而且兩個配對堿基之間有3個氫鍵連接（A堿基與T堿基之間是2個氫鍵連接）。所以GC含量的多少對于核酸穩(wěn)定性來說是十分重要的一個因素，GC含量越高核酸的退火溫度越高，核酸也越相對更穩(wěn)定。在高通量數(shù)據(jù)質(zhì)控中，GC含量也是非常重要的因素。通過檢測GC含量可以判斷測序儀測序是否測序足夠隨機，是否有其他DNA污染。但是，目前沒有一個能夠獨立統(tǒng)計核酸GC含量的程序。雖然在Primer軟件中有統(tǒng)計GC含量的插件，但是不可能把所有的序列都放入Primer中進行逐一統(tǒng)一序列的GC含量，高通量分析軟件fastqc也有統(tǒng)計GC含量插件，但是該軟件僅僅識別fq文件，對于fa文件則不識別。絕大多數(shù)時候我們所用的文件是fa（FASTA）文件。

Perl是一種穩(wěn)定的跨平臺編程語言，是報表提取和報告語言（Practical Extraction and Report Language）的縮寫[2]。它適合用于處理字符串類型的數(shù)據(jù)。Perl語言是一種開源軟件，根據(jù)GUN通用公共許可證（GPL）獲得許可[3]。根據(jù)Perl語言的特點，可以設(shè)計相關(guān)程序完成對核酸序列的GC含量統(tǒng)計。由于DNA序列是由ATCG四種字符組成的字符串，RNA是由AUCG四種字符組成的字符串，所以它們也是一種字符串的數(shù)據(jù)。利用Perl語言設(shè)計程序統(tǒng)計GC含量是可行的。

1 ?分析方法

Perl語言中有專門的叫BioPerl的子程序可以進行核酸文件的讀取。Bioperl可以安裝在普通Windows系統(tǒng)上。統(tǒng)計GC含量的基本原則是C堿基和G堿基總共的數(shù)量占整條核酸序列堿基數(shù)量的百分比。對于核酸的GC含量分析首先需要對核酸字符串進行分割，拆分成一個一個堿基。拆分后的順序也需要與原序列保持一致。然后使用遍歷算法，逐一進行正則表達式匹配，如果匹配上C或者G就記錄[4]，否則不記錄繼續(xù)進行分析。具體代碼為：

use Bio：：SeqIO;#加載BioPerl子程序

my $input_mutiseq_file=$ARGV[0];#讀取輸入的核酸序列文件

my $Muti_seq=Bio：：SeqIO->new（#利用BioPerl中的函數(shù)打開核酸序列文件

-file=>$input_mutiseq_file，

-format=>'fasta'，）;

my @GC_count;#先定義GC含量的變量，數(shù)據(jù)格式為數(shù)組格式，可儲存多條核酸GC含量

my$j=1;

while （my$seq=$Muti_seq->next_seq（））{#使用遍歷算法拆分讀取堿基

my $id=$seq->id;

my $seq_seq=$seq->seq;

my $seq_length=length$seq_seq;

my @split_seq = split//，$seq_seq;

my $GC_count;

for （my$i=0;$i<@split_seq;$i=$i+1，）{

if（@split_seq[$i]=～"G|C"）{$GC_count=$GC_count+1} #使用正則表達式匹配C或G

else{$GC_count = $GC_count}};

$GC_count = $GC_count/$seq_length;

@GC_count[$j]=$id."＼t"."GCcount=".$GC_count."＼n";

$j=$j+1;};

print @GC_count;#輸出結(jié)果

以不同HN分析的流感病毒的4號核酸片段為例，運行該程序得到不同流感病毒4號核酸片段的GC含量結(jié)果（見圖1）。

2 ?結(jié)語

利用Perl語言開發(fā)統(tǒng)計核酸序列的GC含量，對于研究核酸穩(wěn)定性、測序的隨機性和判斷測序是否有污染具有指導意義。缺陷，由于該腳本的正確運行需要計算機同時擁有Perl語言和BioPerl環(huán)境，而整個Perl語言及其環(huán)境配置相對繁瑣。

參考文獻

[1] 陳永孜.基因表達譜芯片及核酸測序技術(shù)在癌癥研究中的應(yīng)用現(xiàn)狀[EB/OL].[2019-04-04].http：//kns.cnki.net/kcms/detail/23.1513.Q.20190308.1256.002.html.

[2] 劉磊，朱敏.Perl&R在語料庫語言學中的應(yīng)用[J].軟件導刊，2018，17（1）：53-55.

[3] 顧武雄.Linux代理程序安裝[J].網(wǎng)絡(luò)安全和信息化，2018（11）：87.

[4] 武明，孫壘，高磊，等.Perl腳本在試驗數(shù)據(jù)解析中的應(yīng)用[J].遙測遙控，2016，37（3）：54-56.