source: branches/ali/GDE/PROBCONS/probcons/CompareToRef.cc

Last change on this file was 10411, checked in by aboeckma, 11 years ago

make probcons compile on linux (added cstring include )

File size: 9.0 KB
Line 
1/////////////////////////////////////////////////////////////////
2// CompareToRef.cc
3//
4// Program for scoring alignments according to the SUM-OF-PAIRS
5// or COLUMN score.
6/////////////////////////////////////////////////////////////////
7
8#include "SafeVector.h"
9#include "MultiSequence.h"
10#include <string>
11#include <sstream>
12#include <iomanip>
13#include <iostream>
14#include <list>
15#include <set>
16#include <limits>
17#include <cstdio>
18#include <cstdlib>
19#include <cerrno>
20#include <iomanip>
21#include <cstring>
22
23const char CORE_BLOCK = 'h';
24typedef pair<int,int> PII;
25bool useCoreBlocks = false;
26bool useColScore = false;
27bool useCaps = false;
28bool useBaliAnnot = false;
29bool makeAnnot = false;
30
31/////////////////////////////////////////////////////////////////
32// Function prototypes
33/////////////////////////////////////////////////////////////////
34
35set<PII> ComputePairs (MultiSequence *align, bool isRef);
36set<VI> ComputeColumns (MultiSequence *align, bool isRef);
37string GetName (string s);
38set<int> coreCols;
39
40set<VI> refCols, testCols;
41set<PII> refPairs, testPairs;
42VI annotation;
43
44/////////////////////////////////////////////////////////////////
45// main()
46//
47// Main program.
48/////////////////////////////////////////////////////////////////
49
50int main (int argc, char **argv){
51
52  // check arguments
53  if (argc < 3){
54    cerr << "Usage: score TEST_ALIGNMENT REFERENCE_ALIGNMENT [BALIBASE_ANNOT_FILE] [-col] [-core] [-caps] [-annot FILENAME]" << endl;
55    exit (1);
56  }
57
58  // try opening file
59  FileBuffer infile (argv[1]);
60
61  MultiSequence *testAlign;
62  if (infile.fail()){
63    cerr << "ERROR: Could not open file '" << argv[1] << "' for reading." << endl;
64    testAlign = NULL;
65  }
66  else {
67    testAlign = new MultiSequence(); assert (testAlign);
68    testAlign->LoadMFA (infile);
69  }
70  infile.close();
71
72  MultiSequence *refAlign = new MultiSequence (string (argv[2])); assert (refAlign);
73 
74  string outFilename = "";
75
76  for (int i = 3; i < argc; i++){
77    if (strcmp (argv[i], "-core") == 0)
78      useCoreBlocks = true;
79    else if (strcmp (argv[i], "-col") == 0)
80      useColScore = true;
81    else if (strcmp (argv[i], "-caps") == 0)
82      useCaps = true;
83    else if (strcmp (argv[i], "-annot") == 0){
84      makeAnnot = true;
85      outFilename = string (argv[++i]);
86    }
87    else { // annotation file
88      useBaliAnnot = true;
89
90      ifstream annotFile (argv[i]);
91      if (annotFile.fail()){
92        cerr << "ERROR: Could not read BAliBASE annotation file." << endl;
93        exit (1);
94      }
95
96      SafeVector<int> *indices = refAlign->GetSequence(0)->GetMapping();
97
98      char buffer[10000];
99      while (annotFile.getline (buffer, 10000)){
100        istringstream ss;
101        ss.str (string (buffer));
102
103        string s;
104
105        if ((ss >> s) && s == string ("BPOS")){
106          while (ss >> s){
107            int begin=-1, end=-1;
108            if (sscanf (s.c_str(), "%d=%d", &begin, &end) == 2){
109              for (int i = (*indices)[begin]; i <= (*indices)[end]; i++)
110                coreCols.insert (i);
111            }
112          }
113        }
114      }
115
116      delete indices;
117
118      annotFile.close();
119    }
120  }
121
122  if (useColScore) makeAnnot = false;
123
124  if (testAlign){
125    for (int i = 0; i < testAlign->GetNumSequences(); i++){
126      bool found = false;
127     
128      for (int j = 0; !found && j < refAlign->GetNumSequences(); j++){
129        if (testAlign->GetSequence(i)->GetHeader() == refAlign->GetSequence(j)->GetHeader())
130          found = true;
131      }
132     
133      if (!found){
134        testAlign->RemoveSequence (i);
135        i--;
136      }
137    }
138   
139    for (int i = 0; i < refAlign->GetNumSequences(); i++){
140      bool found = false;
141     
142      for (int j = 0; !found && j < testAlign->GetNumSequences(); j++){
143        if (refAlign->GetSequence(i)->GetHeader() == testAlign->GetSequence(j)->GetHeader())
144          found = true;
145      }
146     
147      if (!found){
148        refAlign->RemoveSequence (i);
149        i--;
150      }
151    }
152   
153    testAlign->SortByHeader();
154    refAlign->SortByHeader();
155  }
156
157  int TP = 0;
158  int TPFN = 0;
159  int TPFP = 0;
160  double FD, FM;
161  if (useColScore){
162    refCols = ComputeColumns (refAlign, true);
163    if (testAlign) testCols = ComputeColumns (testAlign, false);
164    set<VI> colIntersect;
165    insert_iterator<set<VI> > colIntersectIter (colIntersect, colIntersect.begin());
166    set_intersection (testCols.begin(), testCols.end(), refCols.begin(), refCols.end(), colIntersectIter);
167    TP = (int) colIntersect.size();
168    TPFN = (int) refCols.size();
169    if (testAlign) TPFP = (int) testCols.size();
170  }
171  else {
172    refPairs = ComputePairs (refAlign, true);
173    if (testAlign) testPairs = ComputePairs (testAlign, false);
174    set<PII> pairIntersect;
175
176    insert_iterator<set<PII> > pairIntersectIter (pairIntersect, pairIntersect.begin());
177    set_intersection (testPairs.begin(), testPairs.end(), refPairs.begin(), refPairs.end(), pairIntersectIter);
178    TP = (int) pairIntersect.size();
179    TPFN = (int) refPairs.size();
180    if (testAlign) TPFP = (int) testPairs.size();
181  }
182
183  FD = (double) TP / TPFN;
184  FM = (double) TP / TPFP;
185 
186  cout << GetName(string (argv[2])) << " " << TP << " " << TPFN << " " << TPFP << " " << FD << " " << FM << endl;
187
188  if (makeAnnot){
189    ofstream outfile (outFilename.c_str());
190    for (int i = 0; i < (int) annotation.size(); i++){
191      outfile << annotation[i] << endl;
192    }
193    outfile.close();
194  }
195
196  if (testAlign) delete testAlign;
197  delete refAlign;
198}
199
200int GetOffset (Sequence *testSeq, Sequence *refSeq){
201  string test = testSeq->GetString();
202  string ref = refSeq->GetString();
203
204  for (int i = 0; i < (int) test.length(); i++) test[i] = toupper(test[i]);
205  for (int i = 0; i < (int) ref.length(); i++) ref[i] = toupper(ref[i]);
206
207  size_t offset = test.find (ref, 0);
208  if (offset == string::npos){
209    cerr << "ERROR: Reference string not found in original sequence!" << endl;
210    cerr << "       test = " << test << endl;
211    cerr << "       ref = " << ref << endl;
212    exit (1);
213  }
214
215  cerr << "Offset found: " << offset << endl;
216
217  return (int) offset;
218}
219
220string GetName (string s){
221
222  size_t index1 = s.rfind ('/');
223  size_t index2 = s.rfind ('.');
224
225  if (index1 == string::npos) index1 = 0; else index1++;
226  if (index2 == string::npos) index2 = s.length();
227
228  if (index2 < index1) index2 = s.length();
229
230  return s.substr (index1, index2 - index1);
231}
232
233bool isCore (char ch, int col){
234  if (ch == '-') return false;
235  if (useBaliAnnot){
236    return coreCols.find (col) != coreCols.end();
237  }
238  if (useCaps){
239    return ch >= 'A' && ch <= 'Z';
240  }
241  return ch == CORE_BLOCK;
242}
243
244/////////////////////////////////////////////////////////////////
245// ComputePairs
246//
247// Returns the set of all matching pairs.
248/////////////////////////////////////////////////////////////////
249
250set<PII> ComputePairs (MultiSequence *align, bool isRef){
251  int N = align->GetNumSequences();
252  int L = align->GetSequence(0)->GetLength();
253
254  // retrieve all sequence data pointers
255  SafeVector<SafeVector<char>::iterator> seqs (N);
256  for (int i = 0; i < N; i++){
257    seqs[i] = align->GetSequence(i)->GetDataPtr();
258    assert (align->GetSequence(i)->GetLength() == L);
259  }
260
261  set<PII> ret;
262  VI ctr(N);
263
264  // compute pairs
265  for (int i = 1; i <= L; i++){
266
267    // ctr keeps track of the current position in each sequence
268    for (int j = 0; j < N; j++){
269      ctr[j] += (seqs[j][i] != '-');
270    }
271
272    int good = 0;
273    int ct = 0;
274
275    // check for all matching pairs
276    for (int j = 0; j < N - 1; j++){
277      for (int k = j + 1; k < N; k++){
278       
279        // skip if one of the sequences is gapped
280        if (seqs[j][i] == '-' || seqs[k][i] == '-') continue;
281
282        // check for core blocks in the reference sequence
283        if (isRef && useCoreBlocks)
284          if (!isCore (seqs[j][i], i) || !isCore (seqs[k][i], i)) continue;
285     
286        // if all ok, then add pair to list of pairs
287        pair<int,int> p (10000 * j + ctr[j], 10000 * k + ctr[k]);
288
289        // if we're making an annotation, compute annotation statistics
290        if (makeAnnot && !isRef){
291          ct++;
292          if (refPairs.find (p) != refPairs.end()) good++;
293        }
294        ret.insert (p);
295      }
296    }
297
298    // build annotation
299    if (makeAnnot && !isRef){
300      annotation.push_back ((ct == 0) ? 0 : 100 * good / ct);
301    }
302
303  }
304
305  return ret;
306}
307
308/////////////////////////////////////////////////////////////////
309// ComputeColumns
310//
311// Returns the set of all columns.
312/////////////////////////////////////////////////////////////////
313
314set<VI> ComputeColumns (MultiSequence *align,  bool isRef){
315  int N = align->GetNumSequences();
316  int L = align->GetSequence(0)->GetLength();
317
318  // retrieve all sequence data pointers
319  SafeVector<SafeVector<char>::iterator> seqs (N);
320  for (int i = 0; i < N; i++){
321    seqs[i] = align->GetSequence(i)->GetDataPtr();
322  }
323
324  set<VI> ret;
325  VI ctr(N);
326
327  // compute pairs
328  for (int i = 1; i <= L; i++){
329
330    // ctr keeps track of the current position in each sequence
331    for (int j = 0; j < N; j++){
332      ctr[j] += (seqs[j][i] != '-');
333    }
334
335    // add column, pick only positions that are matched
336    SafeVector<int> column (N);
337    bool useThisColumn = !useCoreBlocks;
338
339    for (int j = 0; j < N; j++){
340      if (isCore (seqs[j][i], i)) useThisColumn = true;
341      column[j] = (seqs[j][i] == '-') ? -1 : ctr[j];
342    }
343
344    if (useThisColumn || !isRef)
345      ret.insert (column);
346  }
347
348  return ret;
349}
Note: See TracBrowser for help on using the repository browser.