m�thode pour encoder une s�quence ADN

Version imprimable

14/03/2016, 21h10
FryHandiz

m�thode pour encoder une s�quence ADN

Bonjour � toutes et � tous,

Je d�bute en C++ et j'ai une petite API � d�velopper.
Sauf que voil�, j'arrive � un moment o� je bloque un peu... !
Donc j'ai une s�quence ADN form�e des quatre lettres suivantes : ATCG et j'ai besoin de l'encoder afin de pouvoir la manipuler (genre cr�er une s�quence reverse ex:GCTA, ou le compl�mentaire TAGC). Bref, mon souci est surtout qu'on m'a vite fait parl� d'un truc que je ne comprends pas.
Apparemment, il est n�cessaire d'encoder pour se retrouver avec par exemple A = 0, C=1, T=2 et G=3. Pour que �a prenne moins de place en m�moire (Gni�h ? 1�re question xD). Apparemment, quand je "stock" mes valeurs dans un tableau, �a prendrait moins de place...
Et apr�s bon... Je sais pas trop comment cr�er ma m�thode mais d�j�, comprendre �a m'aiderait pas mal.

Merci d'avance pour votre aide !
14/03/2016, 23h11
Bousk

Salut,

te fatigues pas avec des consid�rations de quantit� de m�moire. :weird: (tu peux lancer ce regard � quiconque t'as sorti cette absurdit�)
Tu veux une s�quence, tu cr�es un vector et basta. Un vector de char est suffisant. Si tu veux fignoler, tu peux cr�er un enum contenant tes 4 valeurs � la place, et c'est tout pour le moment, �a fera tr�s bien l'affaire.
15/03/2016, 00h08
koala01

Salut,

Si j'ai bien compris le principe de l'ADN (ce qui reste encore � d�montrer, vu que je suis informaticien, et non biologiste :D), le nuc�lotide est syst�matiquement compos�s de quatre �l�ments repr�sent�s par les lettre C G A et T (et autre combinaisons possibles), et tu as une s�rie de nuc�lotides qui se suivent pour repr�senter une "s�quence ADN"(merci wikipedia :D).

H� bien, le plus facile est sans doute de cr�er deux types de donn�e bien distincts : un type de donn�e permettant de repr�senter la notion de nucl�otide et un type de donn�e permettant de repr�senter... une s�quence d'ADN.

Ceci dit, je dis qu'il faut cr�er des types de donn�es, mais le seul but recherch� est de permettre au d�veloppeur de savoir s'il est occup� � travailler sur... ce qui repr�sente un nucl�otide ou sur ce qui repr�sente une s�quence ADN! On n'est donc pas forc�ment oblig� d'aller tr�s loin dans la d�finition de ces types et, en l'occurrence, des alias de type pourraient tr�s bien faire l'affaire ;) (enfin, dans un premier temps du moins).

Ainsi, la notion de nucl�otide, vu quelle doit �tre repr�sent�e par quatre lettres, pourrait tr�s bien prendre la forme de

Code:

using Nucleotide = std::array<char, 4>;

(Attention: C++11 obligatoire ;) )

Quant � la notion de "s�quence d'ADN", elle pourrait tout aussi bien prendre la forme de

Code:

using AdnSequence = std::vector<Nucleotide>;

.

La seule chose, c'est que la notion de tableau (comme celle repr�sent�e par la classe std::vector) est particuli�rement rapide lorsqu'il s'agit d'acc�der aux diff�rents �l�ments qu'elle contient, mais... d'une lenteur crasse lorsqu'il s'agit d'augmenter le nombre d'�l�ments qu'elle est capable de contenir. Si bien que l'id�al est g�n�ralement de faire en sorte que std::vector demande directement "assez de m�moire" que pour �tre en mesure de contenir l'ensemble des �l�ments que nous nous appr�tons � lui donner.

PS : je confirme ce que bousk dit : un char pour repr�senter les valeurs de C, G, T et A est largement suffisant, et prendra surement moins de place en m�moire que d'utiliser n'importe quel type "entier" ;)

En outre, il serait �ventuellement possible de faire encore mieux du point de vue de l'utilisation de la m�moire en essayant de faire en sorte d'utiliser syst�matiquement deux bits pour chaque lettre. Mais, � moins d'avoir la preuve que l'utilisation d'un char pour repr�senter un des �l�ments du nucl�otide ne repr�sente d�j� une "utilisation trop importante de la m�moire", je crois qu'il serait particuli�rement masochiste d'essayer de faire autrement ;)
15/03/2016, 07h11
LandReagan

Du nucl�otide...

Salut,

Un nucl�otide est SOIT : A, C, G ou T. Il semble donc qu'une enum soit plus appropri�e qu'un std::array!

Non?
15/03/2016, 09h34
Bousk

Oui mais tu as bien une s�quence de nucl�otide non ? Donc fatalement � un moment il t'en faut plusieurs.. un tableau/array donc. ;)
15/03/2016, 10h06
LandReagan

Ah ouais, je n'avais pas compris �a comme �a.
15/03/2016, 10h18
ternel

Pour le coup, le nucl�otide ne contient qu'une valeur (parmi {A, T, C,G}), c'est la s�quence qui est repr�sentable par un vector.

On a int�ret � prendre un using Nucleotide = char; ou enum class Nucleotide {A, T, C, G};.
Mais je suis d'accord avec using AdnSequence = std::vector<Nucleotide>;. (ou list, selon besoin, mais � voir plus tard)
15/03/2016, 11h30
VivienD
Bonjour,

Pour repr�senter une nucl�otide et pouvoir retranscrire ta s�quence ADN sous la forme d'une cha�ne de caract�re, je serais plut�t d'avis d'utiliser l'�num�ration suivante:
Code:

1 2 3 4 5 6 7 enum Nucleotide : char { A = 'A', C = 'C', G = 'G', T = 'T' };
Ainsi, tu pourras faire les conversions Nucleotide-char de mani�re implicite.

Tsch��

En g�n�ralisant l'utilisation d'une nucl�otide comme celle de VivienD, tu peux alors repr�senter une s�quence ADN comme suit :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
#include <iostream>
#include <array>
 
enum Nucleotide : char
{
   A = 'A',
   C = 'C',
   G = 'G',
   T = 'T'
};
 
class Sequence
{
public:
 
   static constexpr size_t SIZE = 4;
 
   Sequence(const std::array<Nucleotide, SIZE> &sequence);
   void reverse();
   void complement();
 
   // opérateur << pour faciliter l'affichage d'une séquence
   friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence)
   {
       for (char nucleotide : sequence.sequence)
       {
          os << nucleotide;
       }
       return os;
   }
 
private:
 
   std::array<Nucleotide, SIZE> sequence;
 
};
 
Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) :
   sequence(sequence)
{
}
 
void Sequence::reverse()
{
   for (auto i = 0u; i < SIZE/2; i++)
   {
       auto temp = sequence[i];
       sequence[i] = sequence[SIZE - 1 - i];
       sequence[SIZE - 1 - i] = temp;
   }
}
 
void Sequence::complement()
{
   // ...
}
 
int main()
{
    Sequence sequence{{A, T, C, G}};
    std::cout << sequence << std::endl;
 
    sequence.reverse();
    std::cout << sequence << std::endl;
 
    return 0;
}

Comme tu peux le voir, l'utilit� du tableau est visible lorsqu'il s'agit de manipuler la s�quence. Plus simple que mon exemple : utiliser la fonction std::reverse() ;)

Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :
Code:

1 2 3 4 5 6 #define A 0x01 // valeur pour l'adénine telle que A^X = T #define T 0x03 // valeur pour la thymine telle que T^X = A #define C 0x05 // valeur pour la cytosine telle que C^X = G #define G 0x07 // valeur pour la guanine telle que G^X = C #define Z 0x00 // délimiteur de séquence, facultatif #define X 0x02 // masque XOR d'inversion

15/03/2016, 14h39
ternel
il n'est pas forc�ment n�cessaire d'inverser la s�quence, tu peux aussi parcourir un tableau par la fin:
Code:

1 2 3 for(int i = taille-1; i>=0; --i) { utiliser(tab[i]); }
Si, comme je t'y invite vivement, tu travailles avec des std::vector (ou std::list ou autre), il y a les fonctions membres rbegin() et rend() pour cela.

Citation:
Envoy� par jopopmk
Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :
Code:

1 2 3 4 5 6 #define A 0x01 // valeur pour l'adénine telle que A^X = T #define T 0x03 // valeur pour la thymine telle que T^X = A #define C 0x05 // valeur pour la cytosine telle que C^X = G #define G 0x07 // valeur pour la guanine telle que G^X = C #define Z 0x00 // délimiteur de séquence, facultatif #define X 0x02 // masque XOR d'inversion
Si ce n'est qu'un #define, c'est franchement moyen moyen en C++... Une �num�ration (simple) fait bien mieux le travail en cas de besoin ;)

La meilleure approche est peut-�tre un mix des deux.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
#include <iostream>
#include <algorithm>
#include <array>
#include <map>
 
enum Nucleotide : char
{
   A = 0x01,
   C = 0x05,
   G = 0x07,
   T = 0x03
};
 
class Sequence
{
public:
 
   static constexpr size_t SIZE = 4;
 
   Sequence(const std::array<Nucleotide, SIZE> &sequence);
   void reverse();
   void complement();
 
   friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence);
 
private:
 
   static constexpr char COMPLEMENT = 0x02;
   static const std::map<char, char> mapping;
 
   std::array<Nucleotide, SIZE> sequence;
 
};
 
const std::map<char, char> mapping =
{
  {0x01, 'A'},
  {0x05, 'C'},
  {0x07, 'G'},
  {0x03, 'T'}
};
 
Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) :
   sequence(sequence)
{
}
 
void Sequence::reverse()
{
   std::reverse(sequence.begin(), sequence.end());
}
 
void Sequence::complement()
{
   // ...
}
 
inline std::ostream &operator <<(std::ostream &os, const Sequence &sequence)
{
   for (char nucleotide : sequence.sequence)
   {
      os << mapping.at(nucleotide);
   }
   return os;
}
 
int main()
{
    Sequence sequence{{A, T, C, G}};
    std::cout << sequence << std::endl;
 
    sequence.reverse();
    std::cout << sequence << std::endl;
 
    sequence.complement();
    std::cout << sequence << std::endl;
 
    return 0;
}

15/03/2016, 15h29
jopopmk

J'ai bien dit que j'�tais pas expert en C++, et que mon exemple �tait "rapide" :mrgreen:
Ce choix de valeurs (d'autres fonctionnent aussi hein) permet de trouver la compl�mentaire d'une s�quence de la plus simple des mani�res.
On peut �videmment valoriser les �l�ments d'une enum pareillement, mais en C �a taille un int, l� on a de la constante qui tient dans un octet ^(*).

Maintenant � voir quel est l'objectif principal : manipuler des s�quences (valoriser l'enum avec des valeurs qui simplifie les op�rations) ou les afficher (valoriser l'enum avec les char �quivalents) ? Je proposais juste une astuce pour le premier cas.

^(*) : en C non plus les #define ne sont pas toujours les meilleurs choix ;)

Pour le compl�ment, j'ai �a avec un enum :
Code:

1 2 3 4 5 6 7 void Sequence::complement() { for (auto &nucleotide : sequence) { nucleotide = static_cast<Nucleotide>(nucleotide ^ COMPLEMENT); } }
Une id�e pour faire plus simple?

Citation:
Envoy� par jopopmk
Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :
Code:

1 2 3 4 5 6 #define A 0x01 // valeur pour l'adénine telle que A^X = T #define T 0x03 // valeur pour la thymine telle que T^X = A #define C 0x05 // valeur pour la cytosine telle que C^X = G #define G 0x07 // valeur pour la guanine telle que G^X = C #define Z 0x00 // délimiteur de séquence, facultatif #define X 0x02 // masque XOR d'inversion
Citation:
Envoy� par RPGamer
La meilleure approche est peut-�tre un mix des deux.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 #include <iostream> #include <algorithm> #include <array> #include <map> enum Nucleotide : char { A = 0x01, C = 0x05, G = 0x07, T = 0x03 }; class Sequence { public: static constexpr size_t SIZE = 4; Sequence(const std::array<Nucleotide, SIZE> &sequence); void reverse(); void complement(); friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence); private: static constexpr char COMPLEMENT = 0x02; static const std::map<char, char> mapping; std::array<Nucleotide, SIZE> sequence; }; const std::map<char, char> mapping = { {0x01, 'A'}, {0x05, 'C'}, {0x07, 'G'}, {0x03, 'T'} }; Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) : sequence(sequence) { } void Sequence::reverse() { std::reverse(sequence.begin(), sequence.end()); } void Sequence::complement() { // ... } inline std::ostream &operator <<(std::ostream &os, const Sequence &sequence) { for (char nucleotide : sequence.sequence) { os << mapping.at(nucleotide); } return os; } int main() { Sequence sequence{{A, T, C, G}}; std::cout << sequence << std::endl; sequence.reverse(); std::cout << sequence << std::endl; sequence.complement(); std::cout << sequence << std::endl; return 0; }
On peut m�me aller plus loin si on tient prendre en compte les propri�t�s chimiques des nucl�otides. Soit dit en passant, je fais appel � de lointains souvenirs, l�.

D'une part, l'ad�nine et la cytosine sont des amines tandis que la guanine et la thymine sont des c�tones; et il s'av�re qu'un c�tone ne peut s'apparier qu'� une anime, et inversement. D'autre part, l'ad�nine et la guanine sont des purines tandis que la cytosine et la thymine sont des pyrimidines; et il s'av�re qu'une purine ne peut s'apparier qu'� une pyrimidine.
En r�servant un bit pour chacun des types de mol�cule (soit quatre bits en tout, sur au minimum huit disponibles dans char), on peut code l'�num�ration Nucleotide comme suit:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 enum Nucleotide : char { //Flags __F_Nucleotide_Amine = 0x01, __F_Nucleotide_Ketone = 0x02, __F_Nucleotide_Purine = 0x04, __F_Nucleotide_Pyrimidine = 0x08, //Mask __M_Nucleotide_Complement = 0x0f, //Nucleotides A = __F_Nucleotide_Amine | __F_Nucleotide_Purine, C = __F_Nucleotide_Amine | __F_Nucleotide_Pyrimidine, G = __F_Nucleotide_Ketone | __F_Nucleotide_Purine, T = __F_Nucleotide_Ketone | __F_Nucleotide_Pyrimidine };
Avec l'op�rateur binaire & et les drapeaux __F_Nucleotide_Xyz, on peut savoir si le nucl�otide est une amine, un c�tone, une purine ou une pyrimidine. Avec l'op�rateur binaire ^ et le masque __M_Nucleotide_Complement on peut trouver le compl�ment d'un nucl�otide ou savoir si deux nucl�otides peuvent s'apparier l'un � l'autre: en effet, l'op�ration X ^ Y donne 0x0f, c'est-�-dire __M_Nucleotide_Complement, si et seulement si X et Y repr�sente des nucl�otides compl�mentaires.

15/03/2016, 16h15
RPGamer

Je suis pas fan des __ normalement r�serv�s pour la STL mais l'id�e est bonne :)
15/03/2016, 16h19
VivienD

Citation:

Envoy� par RPGamer

Je suis pas fan des __ normalement r�serv�s pour la STL mais l'id�e est bonne :)

Je utilise le double tiret bas pour indiquer aux d�veloppeurs qui veulent utiliser mon code, moi inclus, qu'ils ne doivent pas toucher � ces �l�ments.
15/03/2016, 17h13
bacelar

Citation:

Je utilise le double tiret bas pour indiquer aux d�veloppeurs qui veulent utiliser mon code, moi inclus, qu'ils ne doivent pas toucher � ces �l�ments.

Valable en C, mais pas en C++, ou les "__" en d�but d'identifiants sont r�serv�s � la STL.

P.S.: Je ne crois pas que les "__" soient valide en C non plus. Je crois que les "__exit" et autres bidules impl�ment�s dans certaines C-Runtime appr�cient la blague.
15/03/2016, 17h56
jopopmk

Le "__" est utilis� pour les conventions d'appel sous Zindows (MSVC) ex. __cdecl, __fastcall ...
Je sais pas si y'a une vraie convention pour son usage.

Enfin c'est pas la question, on s'�gare :mrgreen:
Remarquez, FryHandiz n'est pas revenu depuis qu'il a pos� sa question ...

Sinon j'aime bien le d�coupage de VivienD, �a ajoute du sens suppl�mentaire et le principe est �l�gant.
15/03/2016, 18h47
bacelar

Citation:

Le "__" est utilis� pour les conventions d'appel sous Zindows (MSVC) ex. __cdecl, __fastcall ...

Ils se permettent cela justement parce que la norme leur en donne le droit en C++.
VC++ est un compilateur C++, pas un compilateur C.
Mais je pense qu'il y a les m�me restrictions en C (tout OS, tout compilateur, m�me s'ils ne le v�rifient pas).
15/03/2016, 18h51
Bousk

Quitte � disgresser jusqu'au bout:
http://www.doc.ic.ac.uk/lab/cplus/c++.rules/chap5.html

Citation:

The use of two underscores (`__') in identifiers is reserved for the compiler's internal use according to the ANSI-C standard.

Underscores (`_') are often used in names of library functions (such as "_main" and "_exit"). In order to avoid collisions, do not begin an identifier with an underscore.

http://www.gnu.org/software/libc/man...ved-Names.html

Citation:

In addition to the names documented in this manual, reserved names include all external identifiers (global functions and variables) that begin with an underscore (�_�) and all identifiers regardless of use that begin with either two underscores or an underscore followed by a capital letter are reserved names. This is so that the library and header files can define functions, variables, and macros for internal purposes without risk of conflict with names in user programs.

En gros c'est r�serv� � l'impl�mentation et aux mot-cl�s du compilo.
16/03/2016, 07h14
FryHandiz

Woaw*! D�habitude quand je poste une question sur un forum j�ai soit jamais de r�ponses, soit on me r�pond que mon message n�est pas �*conforme*�*:D
Bon ok, j�avais aussi perdu le chemin pour venir ici �*! (non je ne suis pas blonde du tout*! Ahem.)

Bon alors, j�ai demand� un peu plus d��claircissement, et donc il faut pouvoir �*encoder*� de sorte � ce qu�on utilise 8 bits pour 4 lettres dans chacune des cases de notre tableau o� vont se retrouver nos A,T,C,G.

@Koala01 > Dans mon cas, on souhaite surtout travailler sur des s�quences m�me si, plus tard, on risque de vouloir rechercher si, entre deux s�quences, on ne retrouve pas de similarit�, etc. Mais pour moi, �a ce sera peut �tre plus tard ou jamais vu ma tr�s faible connaissance en C++ xD (C�est la premi�re ann�e o� je fais de l�informatique et on nous demande de coder une API de mapping de s�quence� AHEM. Vive la reconversion�*! Heureusement que je suis un peu maso*:p).

@RPGamer > Si je ne dis pas de b�tises, pour le compl�ment/manipuler les s�quences, il est pr�f�rable de le faire une fois qu�on a encod�. Car certaines fois, les s�quences de nucl�otides peuvent aller jusqu'�� 120 000 nucl�otides, ce qui apparemment peut saturer la m�moire si on ne passe pas avant � l�encodage.

Me frappez pas mais pour la suite je n�ai pas trop compris le coup du A = 0x01, etc.*:s
Pourquoi devoir faire 0x01�*? Et pourquoi pas 1*? Et aussi, pourquoi de 2 en 2�*?
Je suis vraiment d�sol�e si mes questions sont stupides mais je suis malheureusement loin d��tre une informaticienne >.<�

Encore merci pour votre aide*!
16/03/2016, 09h07
RPGamer

Quand tu parles d'encoder les nucleotides sur un octet c'est dans cette direction que tu dois aller. On utilise la notation hexad�cimal (0x..) pour coder un octet pour des questions pratiques (2⁴ = 16 donc 2 digits hexa permettent de coder 1 octet).

Donc pour coder une amine on te propose d'utiliser le premier bit :

0x01 = 00000001

pour coder une c�tone le 2e bit :

0x02 = 00000010

pour coder une purine le 3e bit :

0x04 = 00000100

et pour coder une pyrimidine le 4e bit :

0x08 = 00001000

tous les bits du premier digit � 1 pour le masque de compl�ment :

0x0f = 00001111

Avec ces valeurs tu vas pouvoir coder A, C, G et T par une simple op�ration logique "OU" (|), c-�-d pour chaque position si au moins 1 bit sur l'un des octets vaut 1, le bit du r�sultat � la m�me position vaut 1. Table de v�rit� :

1 OU 1 = 1
1 OU 0 = 1
0 OU 1 = 1
0 OU 0 = 0

Exemple :

A = amine + purine = 0x01 | 0x04 =

00000001
00000100 |
________
00000101 = 0x05

on a donc A = 0x05.

Pour le compl�ment il suffit d'appliquer un "OU exclusif" (^) avec le masque de compl�ment, c-�-d une op�ration OU dont un bit du r�sultat � une position donn�e ne peut valoir 1 que si un seul des deux op�rande a un bit 1 � cette m�me position. Table de v�rit� :

1 OUX 1 = 0
1 OUX 0 = 1
0 OUX 1 = 1
0 OUX 0 = 0

Le compl�ment de A peut se d�terminer comme suit : A OUX compl�ment = 0x05 ^ 0x0f =

00000101
00001111 ^
________
00001010 = 0x0a

Le compl�ment de A est donc T (c�tone + pyrimidine).

Etant donn� qu'il suffit de 4 bits pour coder tous les nucleotides, si tu veux absolument �conomiser de la m�moire il est toujours possible de coder 2 nucleotides par octets comme ceci :

A = 0x05 = 00000101
C = 0x09 = 00001001

AC = (A << 4) | C = 0x59 = 01011001

et pour extraire C par exemple, il faut appliquer un op�ration "ET" (&), c'est � dire que le bit du r�sultat vaut 1 seulement si les bits des 2 op�randes de cette position valent 1. Table de v�rit� :

1 ET 1 = 1
1 ET 0 = 0
0 ET 1 = 0
0 ET 0 = 0

C = AC ET compl�ment = 0x59 & 0x0f =

01011001
00001111 &
________
00001001 = 0x09

Pour extraire A, �tant donn� qu'il est positionn� au niveau des bits de poids fort, un simple d�calage de 4 bits vers la droite suffit, les ordinateurs sont tr�s performants pour le faire :

A = AC >> 4 = 0x59 >> 4 = 00000101 = 0x05

Apr�s si ton max de m�moire occup�e c'est 120 Ko, pas de quoi faire tousser nos machines ;)
16/03/2016, 09h15
ternel

D'une mani�re g�n�rale, on pr�f�re utiliser la notation hexad�cimale pour les valeurs subissant des op�rations bit-�-bit, c'est � dire &, |, ^ et ~ (inverse).
Cela souligne que ce sont les bits du nombre qui nous int�resse, et qu'on va faire des choses non alg�briques dessus.
16/03/2016, 11h50
fenkys

Bonjour,

120 000 nucl�otide ce n'est rien avec un ordinateur moderne.

Pour r�pondre � RPGamer, pourquoi utiliser un bit diff�rent pour une amine et une c�tone. Le nucl�otide est soit l'un, soit l'autre. Idem pour les purines / pyrimidines. Tu peux donc r�duire � 2 bits par bases et 4 bases par octets.

Ceci �tant, rechercher un s�quence avec ce genre de stockage peut �tre un poil compliqu�. Mais si la recherche n'est pas sa priorit�, c'est jouable.

Citation:

on utilise 8 bits pour 4 lettres dans chacune des cases de notre tableau

Et si j'ai bien traduit cette phrase, c'est ce qui est demand�.

OK bah peu importe, la m�thode reste la m�me, il suffit juste de diviser le nombre d'�num�r�s par 2. Si je reste sur une impl�mentation avec 4 codes :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
#include <iostream>
#include <vector>
#include <map>
#include <algorithm>
 
enum Nucleotide : char
{
    AMINE      = 0x01,
    KETONE     = 0x02,
    PURINE     = 0x04,
    PYRIMIDINE = 0x08,
 
    COMPLEMENT = 0x0f,
 
    A = AMINE | PURINE,
    C = AMINE | PYRIMIDINE,
    G = KETONE | PURINE,
    T = KETONE | PYRIMIDINE
};
 
inline const Nucleotide operator ^=(Nucleotide &x, const Nucleotide y)
{
    return x = static_cast<Nucleotide>(x ^ y);
}
 
inline const Nucleotide operator ^(Nucleotide x, const Nucleotide y)
{
    return x ^= y;
}
 
inline std::ostream &operator <<(std::ostream &os, const Nucleotide n)
{
    static const std::map<Nucleotide, char> MAPPING
    {{
        {A, 'A'},
        {C, 'C'},
        {G, 'G'},
        {T, 'T'}
    }};
 
    return os << MAPPING.at(n);
}
 
class Sequence
{
private:
 
    std::vector<Nucleotide> sequence;
 
public:
 
    Sequence(const std::vector<Nucleotide> &sequence) :
        sequence(sequence)
    {
 
    }
 
    void reverse()
    {
        std::reverse(sequence.begin(), sequence.end());
    }
 
    void complement()
    {
        for (auto &n : sequence)
        {
            n ^= COMPLEMENT;
        }
    }
 
    friend std::ostream &operator <<(std::ostream &os, const Sequence &s)
    {
       for (const auto n : s.sequence)
       {
          os << n;
       }
       return os;
    }
};
 
int main()
{
   Sequence sequence{{A, G, C, T, G, T, A, C}};
   std::cout << "Sequence de base : " << sequence << std::endl;
 
   Sequence sequence2 = sequence;
 
   sequence.reverse();
   std::cout << "Inverse : " << sequence << std::endl;
 
   sequence2.complement();
   std::cout << "Complement : " << sequence2 << std::endl;
 
   Nucleotide complement = A ^ COMPLEMENT;
   std::cout << "Complement de " << A << " : " << complement << std::endl;
 
   return 0;
}

Il faut ensuite l'adapter pour n'utiliser que 2 codes.

On peut aussi mixer macros temporaires et �num�rations. Par exemple:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
//Header file: nucleotide.h
 
#ifndef NUCLEOTIDE_H
#define NUCLEOTIDE_H
 
#include <stdexcept>
 
#ifdef NUCLEOTIDE_F_AMINE
# error "NUCLEOTIDE_F_AMINE is already defined!"
#endif // NUCLEOTIDE_F_AMINE
#ifdef NUCLEOTIDE_F_KETONE
# error "NUCLEOTIDE_F_KETONE is already defined!"
#endif // NUCLEOTIDE_F_KETONE
#ifdef NUCLEOTIDE_F_PURINE
# error "NUCLEOTIDE_F_PURINE is already defined!"
#endif // NUCLEOTIDE_F_PURINE
#ifdef NUCLEOTIDE_F_PYRIMIDINE
# error "NUCLEOTIDE_F_PYRIMIDINE is already defined!"
#endif // NUCLEOTIDE_F_PYRIMIDINE
#ifdef NUCLEOTIDE_M_COMPLEMENT
# error "NUCLEOTIDE_M_COMPLEMENT is already defined!"
#endif // NUCLEOTIDE_M_COMPLEMENT
 
//New temporary macros
#define NUCLEOTIDE_F_AMINE      0x01
#define NUCLEOTIDE_F_KETONE     0x02
#define NUCLEOTIDE_F_PURINE     0x04
#define NUCLEOTIDE_F_PYRIMIDINE 0x08
#define NUCLEOTIDE_M_COMPLEMENT 0x0f
 
//New unscoped enumeration: Nucleotide
enum Nucleotide : char
{
  Adenine  = NUCLEOTIDE_F_AMINE  | NUCLEOTIDE_F_PURINE,
  Cytosine = NUCLEOTIDE_F_AMINE  | NUCLEOTIDE_F_PYRIMIDINE,
  Guanine  = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PURINE,
  Thymine  = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PYRIMIDINE
}
 
//New function: isAmine
inline bool isAmine(Nucleotide const & n) noexcept
{
  return n & NUCLEOTIDE_F_AMINE;
}
 
//New function: isKetone
inline bool isKetone(Nucleotide const & n) noexcept
{
  return n & NUCLEOTIDE_F_KETONE;
}
 
//New function: isPurine
inline bool isPurine(Nucleotide const & n) noexcept
{
  return n & NUCLEOTIDE_F_PURINE;
}
 
//New function: isPyrimidine
inline bool isPyrimidine(Nucleotide const & n) noexcept
{
  return n & NUCLEOTIDE_F_PYRIMIDINE;
}
 
//New function: areComplement
inline bool areComplement(Nucleotide const & n1, Nucleotide const & n2) noexcept
{
  return (n1 ^ n2) == NUCLEOTIDE_M_COMPLEMENT;
}
 
//New function: complementOf
inline Nucleotide complementOf(Nucleotide const & n) noexcept
{
  return static_cast< Nucleotide >(n ^ NUCLEOTIDE_M_COMPLEMENT);
}
 
//New function: charToNucleotide
Nucleotide charToNucleotide(char const & c)
{
  Nucleotide n = Adenine;
  switch(c)
  {
    case 'A':
    case 'a':
      break;
    case 'C':
    case 'c':
      n = Cytosine;
      break;
    case 'G':
    case 'g':
      n = Guanine;
      break;
    case 'T':
    case 't':
      n = Thymine;
      break;
    default:
      throw std::invalid_argument("Not a DNA nucleotide!");
      break;
  }
  return n;
}
 
//New function: nucleotideToChar
inline char nucleotideToChar(Nucleotide const & n) noexcept
{
  return (n & NUCLEOTIDE_F_AMINE) ?
             ((n & NUCLEOTIDE_F_PURINE) ? 'A' : 'C') :
             ((n & NUCLEOTIDE_F_PURINE) ? 'G' : 'T');
}
 
#undef NUCLEOTIDE_F_AMINE
#undef NUCLEOTIDE_F_KETONE
#undef NUCLEOTIDE_F_PURINE
#undef NUCLEOTIDE_F_PYRIMIDINE
#undef NUCLEOTIDE_M_COMPLEMENT
 
#endif // NUCLEOTIDE_H

Je me suis permis de remplacer A, C, G et T par Adenine, Cytosine, Guanine et Thymine du fait que c'est moins risqu� en ce qui concerne les collisions de nommage.

17/03/2016, 14h16
bacelar

Citation:

On peut aussi mixer macros temporaires et �num�rations.

Moi, je ne vois que des inconv�nients � l'utilisation des MACRO ici, perte de typage, namespace aux fraises, etc...
17/03/2016, 14h43
VivienD

Citation:

Envoy� par bacelar

Moi, je ne vois que des inconv�nients � l'utilisation des MACRO ici, perte de typage, namespace aux fraises, etc...

C'est vrai que les macros sont insensibles aux espaces de nommage et que le typage avec les macros peut relever de la gageure. N�anmoins, l'�num�ration Nucleotide n'a, gr�ce aux macros, que quatre valeurs disponibles, � savoir Adenine, Cytosine, Guanine et Thymine. Ainsi, les chances que l'utilisateur entre une valeur erron�e, comme un drapeau seul ou un masque, au lieu d'un nucl�otide valide sont r�duites � z�ro, ou presque (cf. loi de Murphy).

Dans ce cas-l�, on pr�f�rera utiliser des expressions constantes.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
#include <iostream>
 
namespace DNA
{
    constexpr char NUCLEOTIDE_F_AMINE      = 0x01;
    constexpr char NUCLEOTIDE_F_KETONE     = 0x02;
    constexpr char NUCLEOTIDE_F_PURINE     = 0x04;
    constexpr char NUCLEOTIDE_F_PYRIMIDINE = 0x08;
    constexpr char NUCLEOTIDE_M_COMPLEMENT = 0x0f;
 
    enum Nucleotide : char
    {
        Adenine  = NUCLEOTIDE_F_AMINE  | NUCLEOTIDE_F_PURINE,
        Cytosine = NUCLEOTIDE_F_AMINE  | NUCLEOTIDE_F_PYRIMIDINE,
        Guanine  = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PURINE,
        Thymine  = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PYRIMIDINE
    };
}
 
int main()
{
    auto n = DNA::Adenine;
    std::cout << "0x0" << std::hex << n << std::endl;
 
    return 0;
}

Citation:
Envoy� par RPGamer
Dans ce cas-l�, on pr�f�rera utiliser des expressions constantes.
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 #include <iostream> namespace DNA { constexpr char NUCLEOTIDE_F_AMINE = 0x01; constexpr char NUCLEOTIDE_F_KETONE = 0x02; constexpr char NUCLEOTIDE_F_PURINE = 0x04; constexpr char NUCLEOTIDE_F_PYRIMIDINE = 0x08; constexpr char NUCLEOTIDE_M_COMPLEMENT = 0x0f; enum Nucleotide : char { Adenine = NUCLEOTIDE_F_AMINE | NUCLEOTIDE_F_PURINE, Cytosine = NUCLEOTIDE_F_AMINE | NUCLEOTIDE_F_PYRIMIDINE, Guanine = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PURINE, Thymine = NUCLEOTIDE_F_KETONE | NUCLEOTIDE_F_PYRIMIDINE }; } int main() { auto n = DNA::Adenine; std::cout << "0x0" << std::hex << n << std::endl; return 0; }
Certes, ca r�gle aussi les probl�mes de validit� mais l'utilisateur final peut encore acc�der aux drapeaux seuls et au masque. Si ca ne d�range pas, on peut laisser comme ca (ou m�me envoyer tout ca dans un sous-espace de nommage du genre DNA::bits puis regrouper les drapeaux et les masques dans les �num�rations Nucleotide_Flags et respectivement Nucleotide_Masks); dans le cas contraire, je ne vois que les macros temporaires pour atteindre l'effet voulu.

17/03/2016, 16h01
RPGamer

~~Les macros n'emp�chent pas plus l'acc�s aux valeurs par l'utilisateur, au contraire m�me.~~ J'avais pas vu que tu les d�sactive � la fin de ton fichier source.

Il y a une autre solution qui consiste � transformer DNA en classe principale et � placer les expressions constantes comme membres statiques priv�s de cette classe et les fonctions libres comme fonctions amies.
17/03/2016, 16h12
VivienD

Citation:

Envoy� par RPGamer

Les macros n'emp�chent pas plus l'acc�s aux valeurs par l'utilisateur, au contraire m�me.

Regarde la fin de mon code aux lignes 112 � 116 et tu verras que je les "d�truis" � coup de #undef. Et oui! ca marche: je me suis d�j� servi de cette astuce � de maintes et maintes reprises.

EDIT:

Citation:

Envoy� par RPGamer

~~Les macros n'emp�chent pas plus l'acc�s aux valeurs par l'utilisateur, au contraire m�me.~~ J'avais pas vu que tu les d�sactive � la fin de ton fichier source.

Il y a une autre solution qui consiste � transformer DNA en classe principale et � placer les expressions constantes comme membres statiques priv�s de cette classe et les fonctions libres comme fonctions amies.

C'est vrai; je n'y avais pas pens�.:aie:
20/03/2016, 17h51
bowow

Bonjour,

Je ne sais pas trop ce que tu recherches � faire, mais si la finalit� est de faire de l'alignement de s�quence, on ne peut se permettre de les stocker en m�moire vu la quantit� de s�quences dans les fichiers FASTQ et FASTA.

Par contre, si c'est un simple exercice pour enregistrer une s�quence ADN en m�moire, trouver la s�quence inverse, compl�mentaire, la s�quence ARNm et polypeptidique, t'emb�tes pas avec ces encodages.

De plus, il existe d�j� des algorithmes de texte en bio-informatique et une multitude d'outils d�j� pr�existants qui feront s�rement ton JOB sans probl�me.
27/03/2016, 13h02
FryHandiz

Bonjour,
J'ai bien peur que vous alliez un peu trop loin pour moi... En effet, j'ai pas vraiment besoin de parler de k�tone ou d'amine car je m'int�resse pour le moment qu'au s�quence nucl�otidique et pas aux acides amin�s. Donc du coup, je suis partie vers quelque chose de plus simple.
Je suis partie du principe que A et T sont compl�mentaires et G et C le sont aussi.
Du coup, pour coder sur deux bits chaque nucl�otide, j'ai dit que A = 00, T=11, G=10 et C=01. Comme �a pour le compl�mentaire, pas de souci.
Mon projet est � rendre bient�t et je n'aurai jamais le temps de le terminer, mes connaissances sont vraiment tr�s limit�es xD Ce devait en effet �tre pour de l'alignement de s�quence, mapper les reads, etc, mais vu que je ne pourrais jamais y arriver je vais me contenter de petites choses x)
En tout cas, merci beaucoup pour votre aide !
27/03/2016, 23h53
VivienD

Citation:

Envoy� par FryHandiz

Bonjour,
J'ai bien peur que vous alliez un peu trop loin pour moi... En effet, j'ai pas vraiment besoin de parler de k�tone ou d'amine car je m'int�resse pour le moment qu'au s�quence nucl�otidique et pas aux acides amin�s. Donc du coup, je suis partie vers quelque chose de plus simple.
[...]

C'est vrai que nous nous sommes "un peu" emport�s et que nous sommes bien plus loin que demand� en nous adonnant au d�bat ci-dessus. :aie:

Citation:

Envoy� par FryHandiz

[...]
Je suis partie du principe que A et T sont compl�mentaires et G et C le sont aussi.
Du coup, pour coder sur deux bits chaque nucl�otide, j'ai dit que A = 00, T=11, G=10 et C=01. Comme �a pour le compl�mentaire, pas de souci.
[...]

Si tu te contentes de la compl�mentarit� des nucl�otides seule, cet encodage convient tout � fait. :)

Citation:

Envoy� par FryHandiz

[...]
Mon projet est � rendre bient�t et je n'aurai jamais le temps de le terminer, mes connaissances sont vraiment tr�s limit�es xD Ce devait en effet �tre pour de l'alignement de s�quence, mapper les reads, etc, mais vu que je ne pourrais jamais y arriver je vais me contenter de petites choses x)
[...]

C'est vraiment dommage, �a... :? Toutefois, j'esp�re que �a ne te d�courageras pas; dis-toi que �a n'est qu'� charge de revanche. ;)

Citation:

Envoy� par FryHandiz

[...]
En tout cas, merci beaucoup pour votre aide !

Mais, de rien. ;)
Apr�s, je me permets de te conseiller de conserver ce fil de discussion sous le coude (en le mettant dans tes marque-pages, par exemple) car dans notre "d�lire" nous avons abord� diff�rentes m�thodes concernant la repr�sentation de donn�es via des champs de bits; c'est un sujet auquel tout d�veloppeur a souvent affaire, du moins plus souvent qu'on ne le croit. :mrgreen:

PS: Personnellement, je vais me garder ce fil dans mes marque-pages. En effet, �a serait regrettable, outrageant voire blasph�matoire que de laisser autant de verve et de d�votion sombrer dans les profondeurs abyssales et pleines de microbes de l'oubli. :lun:
Tiens! J'en avais encore � revendre! :weird: