source: tags/ms_r16q2/CONVERTALN/genbank.cxx

Last change on this file was 11651, checked in by westram, 11 years ago
  • warn only once about incomplete LOCUS data
  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 16.3 KB
Line 
1// -------------- genbank related subroutines -----------------
2
3#include "genbank.h"
4#include "wrap.h"
5
6#define NOPERIOD    0
7#define PERIOD      1
8
9void genbank_key_word(const char *line, int index, char *key) {
10    ca_assert((GBINDENT-index) >= 0);
11    int len = parse_key_word(line+index, key, " \t\n");
12    if ((index+len) >= GBINDENT) {
13        key[GBINDENT-index] = 0;
14    }
15}
16
17static int genbank_check_blanks(const char *line, int numb) {
18    // Check if there is (numb) of blanks at beginning of line.
19    int blank = 1, indi, indk;
20
21    for (indi = 0; blank && indi < numb; indi++) {
22        if (line[indi] != ' ' && line[indi] != '\t')
23            blank = 0;
24        if (line[indi] == '\t') {
25            indk = indi / 8 + 1;
26            indi = 8 * indk + 1;
27        }
28    }
29
30    return (blank);
31}
32
33static void genbank_continue_line(char*& Str, int numb, Reader& reader) {
34    // if following line(s) are continued line(s), append them to 'Str'.
35    // if 'Str' is NULL, lines only get skipped.
36    // 'numb' = number of blanks needed at BOL to defined continued lines
37
38    // check continue lines
39    for (++reader;
40         reader.line() && (genbank_check_blanks(reader.line(), numb) || reader.line()[0] == '\n');
41         ++reader)
42    {
43        if (reader.line()[0] != '\n') { // empty line is allowed
44            if (Str) {
45                // remove end-of-line, if there is any
46                int  ind = Skip_white_space(reader.line(), 0);
47                char temp[LINESIZE];
48                strcpy(temp, (reader.line() + ind));
49                skip_eolnl_and_append_spaced(Str, temp);
50            }
51        }
52    }
53}
54
55static void genbank_one_entry_in(char*& datastring, Reader& reader) {
56    freedup(datastring, reader.line()+Skip_white_space(reader.line(), GBINDENT));
57    return genbank_continue_line(datastring, GBINDENT, reader);
58}
59
60static void genbank_one_comment_entry(char*& datastring, int start_index, Reader& reader) {
61    // Read in one genbank sub-entry in comments lines.
62    freedup(datastring, reader.line() + Skip_white_space(reader.line(), start_index));
63    genbank_continue_line(datastring, 20, reader);
64}
65
66static void genbank_source(GenBank& gbk, Reader& reader) {
67    // Read in genbank SOURCE lines and also ORGANISM lines.
68    genbank_one_entry_in(gbk.source, reader);
69    char  key[TOKENSIZE];
70    genbank_key_word(reader.line(), 2, key);
71    if (str_equal(key, "ORGANISM")) {
72        int indent = Skip_white_space(reader.line(), GBINDENT);
73        freedup(gbk.organism, reader.line() + indent);
74
75        char *skip_em = NULL;
76        genbank_continue_line(skip_em, GBINDENT, reader);
77    }
78}
79
80class startsWithBlanks : virtual Noncopyable {
81    int blanks;
82
83public:
84    startsWithBlanks(int blanks_) : blanks(blanks_) {}
85    bool operator()(const char *line) const { return genbank_check_blanks(line, blanks); }
86};
87
88
89static void genbank_skip_unidentified(Reader& reader, int blank_num) {
90    // Skip the lines of unidentified keyword.
91    ++reader;
92    startsWithBlanks num_blanks(blank_num);
93    reader.skipOverLinesThat(num_blanks);
94}
95
96static void genbank_reference(GenBank& gbk, Reader& reader) {
97    // Read in genbank REFERENCE lines.
98    int  refnum;
99    ASSERT_RESULT(int, 1, sscanf(reader.line() + GBINDENT, "%d", &refnum));
100    if (refnum <= gbk.get_refcount()) {
101        warningf(17, "Might redefine reference %d", refnum);
102        genbank_skip_unidentified(reader, GBINDENT);
103    }
104    else {
105        gbk.resize_refs(refnum);
106        genbank_one_entry_in(gbk.get_latest_ref().ref, reader);
107    }
108
109    GenbankRef& ref = gbk.get_latest_ref();
110
111    for (; reader.line() && reader.line()[0] == ' ' && reader.line()[1] == ' ';) {
112        char key[TOKENSIZE];
113        genbank_key_word(reader.line(), 2, key);
114        if (str_equal(key, "AUTHORS")) {
115            if (has_content(ref.author)) warningf(10, "AUTHORS of REFERENCE %d is redefined", refnum);
116            genbank_one_entry_in(ref.author, reader);
117            terminate_with(ref.author, '.'); // add '.' if missing at the end
118        }
119        else if (str_equal(key, "TITLE")) {
120            if (has_content(ref.title)) warningf(11, "TITLE of REFERENCE %d is redefined", refnum);
121            genbank_one_entry_in(ref.title, reader);
122        }
123        else if (str_equal(key, "JOURNAL")) {
124            if (has_content(ref.journal)) warningf(12, "JOURNAL of REFERENCE %d is redefined", refnum);
125            genbank_one_entry_in(ref.journal, reader);
126        }
127        else if (str_equal(key, "STANDARD")) {
128            if (has_content(ref.standard)) warningf(13, "STANDARD of REFERENCE %d is redefined", refnum);
129            genbank_one_entry_in(ref.standard, reader);
130        }
131        else {
132            warningf(18, "Unidentified REFERENCE subkeyword: %s#", key);
133            genbank_skip_unidentified(reader, GBINDENT);
134        }
135    }
136}
137
138static void genbank_comments(GenBank& gbk, Reader& reader) {
139    // Read in genbank COMMENTS lines.
140    char key[TOKENSIZE];
141
142    if (str0len(reader.line()) <= GBINDENT) {
143        ++reader;
144        if (!reader.line()) return;
145    }
146
147    // replace keyword with spaces
148    // => identical format for 1st and following lines.
149    {
150        char *line = strdup(reader.line());
151        for (int indi = 0; indi < GBINDENT; line[indi++] = ' ') {}
152        reader.set_line(line);
153        free(line);
154    }
155
156
157    for (; reader.line() && (genbank_check_blanks(reader.line(), GBINDENT) || reader.line()[0] == '\n');) {
158        if (reader.line()[0] == '\n') {  // skip empty line
159            ++reader;
160            continue;
161        }
162
163        int index = Skip_white_space(reader.line(), GBINDENT);
164        ca_assert(index<TOKENSIZE); // buffer overflow ?
165
166        index += comment_subkey(reader.line()+index, key);
167        ca_assert(index<TOKENSIZE); // buffer overflow ?
168
169        RDP_comment_parser one_comment_entry = genbank_one_comment_entry;
170        RDP_comments&      comments          = gbk.comments;
171
172        if (!parse_RDP_comment(comments, one_comment_entry, key, index, reader)) {
173            // other comments
174            Append(comments.others, reader.line() + GBINDENT);
175            ++reader;
176        }
177    }
178}
179
180inline bool valid_acc_char(char ch) { return isalnum(ch) || ch == '_'; }
181
182static void genbank_verify_accession(GenBank& gbk) {
183    // Verify accession information.
184    if (str_equal(gbk.accession, "No information\n")) return; // @@@ really allow this ?
185
186    char         *new_acc = NULL;
187    const char   *sep     = " \t\n;";
188    SmartCharPtr  req_fail;
189    SmartCharPtr  copy    = strdup(gbk.accession);
190    int           count   = 0;
191
192    for (char *acc = strtok(&*copy, sep); acc && req_fail.isNull(); acc = strtok(NULL, sep)) {
193        count++;
194        if (!isalpha(acc[0])) req_fail = strdup("has to start with a letter");
195        else {
196            for (int i = 0; acc[i]; ++i) {
197                if (!valid_acc_char(acc[i])) {
198                    req_fail = strf("invalid char '%c'", acc[i]);
199                    break;
200                }
201            }
202        }
203
204        if (new_acc) Append(new_acc, ' ');
205        Append(new_acc, acc);
206    }
207
208    if (req_fail.isNull() && count>9) {
209        req_fail = strf("No more than 9 accession number allowed (found %i)", count);
210    }
211
212    if (!req_fail.isNull()) {
213        skip_eolnl_and_append(gbk.accession, "");
214        throw_errorf(15, "Invalid accession number '%s' (%s)", gbk.accession, &*req_fail);
215    }
216
217    Append(new_acc, '\n');
218    freeset(gbk.accession, new_acc);
219}
220static void genbank_verify_keywords(GenBank& gbk) {
221    // Verify keywords.
222    int indi, count, len;
223
224    // correct missing '.' at the end
225    terminate_with(gbk.keywords, '.');
226
227    for (indi = count = 0, len = str0len(gbk.keywords); indi < len; indi++)
228        if (gbk.keywords[indi] == '.')
229            count++;
230
231    if (count != 1) {
232        // @@@ raise error here ?
233        if (Warnings::shown())
234            fprintf(stderr, "\nKEYWORDS: %s", gbk.keywords);
235        warning(141, "No more than one period is allowed in KEYWORDS line.");
236    }
237}
238void GenbankParser::parse_section() {
239    char key[TOKENSIZE];
240    genbank_key_word(reader.line(), 0, key);
241    state = ENTRY_STARTED;
242    parse_keyed_section(key);
243}
244
245static void genbank_origin(Seq& seq, Reader& reader) {
246    // Read in genbank sequence data.
247    ca_assert(seq.is_empty());
248
249    // read in whole sequence data
250    for (++reader; reader.line() && !is_sequence_terminator(reader.line()); ++reader) {
251        if (has_content(reader.line())) {
252            for (int index = 9; reader.line()[index] != '\n' && reader.line()[index] != '\0'; index++) {
253                if (reader.line()[index] != ' ')
254                    seq.add(reader.line()[index]);
255            }
256        }
257    }
258}
259
260void GenbankParser::parse_keyed_section(const char *key) {
261    if (str_equal(key, "LOCUS")) {
262        genbank_one_entry_in(gbk.locus, reader);
263        if (!gbk.locus_contains_date()) {
264            static bool alreadyWarned = false;
265            if (!alreadyWarned) {
266                warning(14, "LOCUS data might be incomplete (no date seen)");
267                alreadyWarned = true;
268            }
269        }
270    }
271    else if (str_equal(key, "DEFINITION")) {
272        genbank_one_entry_in(gbk.definition, reader);
273        terminate_with(gbk.definition, '.'); // correct missing '.' at the end
274    }
275    else if (str_equal(key, "ACCESSION")) {
276        genbank_one_entry_in(gbk.accession, reader);
277        genbank_verify_accession(gbk);
278    }
279    else if (str_equal(key, "KEYWORDS")) {
280        genbank_one_entry_in(gbk.keywords, reader);
281        genbank_verify_keywords(gbk);
282    }
283    else if (str_equal(key, "SOURCE")) {
284        genbank_source(gbk, reader);
285        terminate_with(gbk.source, '.'); // correct missing '.' at the end
286        terminate_with(gbk.organism, '.');
287    }
288    else if (str_equal(key, "REFERENCE")) {
289        genbank_reference(gbk, reader);
290    }
291    else if (str_equal(key, "COMMENTS")) {
292        genbank_comments(gbk, reader);
293    }
294    else if (str_equal(key, "COMMENT")) {
295        genbank_comments(gbk, reader);
296    }
297    else if (str_equal(key, "ORIGIN")) {
298        genbank_origin(seq, reader);
299        state = ENTRY_COMPLETED;
300    }
301    else {
302        genbank_skip_unidentified(reader, 2);
303    }
304}
305
306static void genbank_print_lines(Writer& write, const char *key, const char *content, const WrapMode& wrapMode) {
307    // Print one genbank line, wrap around if over column GBMAXLINE
308
309    ca_assert(strlen(key) == GBINDENT);
310    ca_assert(content[strlen(content)-1] == '\n');
311
312    wrapMode.print(write, key, "            ", content, GBMAXLINE);
313}
314
315static void genbank_out_one_entry(Writer& write, const char *key, const char *content, const WrapMode& wrapMode, int period) {
316    /* Print out key and content if content length > 1
317     * otherwise print key and "No information" w/wo
318     * period at the end depending on flag period.
319     */
320
321    if (!has_content(content)) {
322        content = period ? "No information.\n" : "No information\n";
323    }
324    genbank_print_lines(write, key, content, wrapMode);
325}
326
327static void genbank_out_one_reference(Writer& write, const GenbankRef& gbk_ref, int gbk_ref_num) {
328    WrapMode wrapWords(true);
329
330    {
331        const char *r = gbk_ref.ref;
332        char        refnum[TOKENSIZE];
333
334        if (!has_content(r)) {
335            sprintf(refnum, "%d\n", gbk_ref_num);
336            r = refnum;
337        }
338        genbank_out_one_entry(write, "REFERENCE   ", r, wrapWords, NOPERIOD);
339    }
340
341    genbank_out_one_entry(write, "  AUTHORS   ", gbk_ref.author, WrapMode(" "), NOPERIOD);
342    genbank_out_one_entry(write, "  JOURNAL   ", gbk_ref.journal, wrapWords, NOPERIOD);
343    genbank_out_one_entry(write, "  TITLE     ", gbk_ref.title, wrapWords, NOPERIOD);
344    genbank_out_one_entry(write, "  STANDARD  ", gbk_ref.standard, wrapWords, NOPERIOD);
345}
346
347static void genbank_print_comment_if_content(Writer& write, const char *key, const char *content) {
348    // Print one genbank line, wrap around if over column GBMAXLINE
349
350    if (!has_content(content)) return;
351
352    char first[LINESIZE]; sprintf(first, "%*s%s", GBINDENT+RDP_SUBKEY_INDENT, "", key);
353    char other[LINESIZE]; sprintf(other, "%*s", GBINDENT+RDP_SUBKEY_INDENT+RDP_CONTINUED_INDENT, "");
354    WrapMode(true).print(write, first, other, content, GBMAXLINE);
355}
356
357static void genbank_out_origin(const Seq& seq, Writer& write) { // @@@ inline method
358    // Output sequence data in genbank format.
359    seq.out(write, GENBANK);
360}
361
362inline void genbank_print_completeness(Writer& write, char compX, char X) {
363    if (compX == ' ') return;
364    ca_assert(compX == 'y' || compX == 'n');
365    write.outf("              %c' end complete: %s\n", X, compX == 'y' ? "Yes" : "No");
366}
367
368void genbank_out_header(const GenBank& gbk, const Seq& seq, Writer& write) {
369    int      indi;
370    WrapMode wrapWords(true);
371
372    genbank_out_one_entry(write, "LOCUS       ", gbk.locus,      wrapWords,     NOPERIOD);
373    genbank_out_one_entry(write, "DEFINITION  ", gbk.definition, wrapWords,     PERIOD);
374    genbank_out_one_entry(write, "ACCESSION   ", gbk.accession,  wrapWords,     NOPERIOD);
375    genbank_out_one_entry(write, "KEYWORDS    ", gbk.keywords,   WrapMode(";"), PERIOD);
376    genbank_out_one_entry(write, "SOURCE      ", gbk.source,     wrapWords,     PERIOD);
377    genbank_out_one_entry(write, "  ORGANISM  ", gbk.organism,   wrapWords,     PERIOD);
378
379    if (gbk.has_refs()) {
380        for (indi = 0; indi < gbk.get_refcount(); indi++) {
381            genbank_out_one_reference(write, gbk.get_ref(indi), indi+1);
382        }
383    }
384    else {
385        genbank_out_one_reference(write, GenbankRef(), 1);
386    }
387
388    const RDP_comments& comments = gbk.comments;
389    const OrgInfo&      orginf   = comments.orginf;
390    const SeqInfo&      seqinf   = comments.seqinf;
391
392    if (comments.exists()) {
393        write.out("COMMENTS    ");
394
395        if (orginf.exists()) {
396            write.out("Organism information\n");
397
398            genbank_print_comment_if_content(write, "Source of strain: ",   orginf.source);
399            genbank_print_comment_if_content(write, "Culture collection: ", orginf.cultcoll); // this field is used in ../lib/import/.rdp_old.ift
400            genbank_print_comment_if_content(write, "Former name: ",        orginf.formname); // other fields occur in no .ift
401            genbank_print_comment_if_content(write, "Alternate name: ",     orginf.nickname);
402            genbank_print_comment_if_content(write, "Common name: ",        orginf.commname);
403            genbank_print_comment_if_content(write, "Host organism: ",      orginf.hostorg);
404
405            if (seqinf.exists() || str0len(comments.others) > 0)
406                write.out("            ");
407        }
408
409        if (seqinf.exists()) {
410            write.outf("Sequence information (bases 1 to %d)\n", seq.get_len());
411
412            genbank_print_comment_if_content(write, "RDP ID: ",                      seqinf.RDPid);
413            genbank_print_comment_if_content(write, "Corresponding GenBank entry: ", seqinf.gbkentry); // this field is used in ../lib/import/.rdp_old.ift
414            genbank_print_comment_if_content(write, "Sequencing methods: ",          seqinf.methods);
415
416            genbank_print_completeness(write, seqinf.comp5, '5');
417            genbank_print_completeness(write, seqinf.comp3, '3');
418        }
419
420        // @@@ use wrapper for code below ?
421        // print GBINDENT spaces of the first line
422        if (str0len(comments.others) > 0) {
423            write.repeated(' ', GBINDENT);
424        }
425
426        if (str0len(comments.others) > 0) {
427            int length = str0len(comments.others);
428            for (indi = 0; indi < length; indi++) {
429                write.out(comments.others[indi]);
430
431                // if another line, print GBINDENT spaces first
432                if (comments.others[indi] == '\n' && comments.others[indi + 1] != '\0') {
433                    write.repeated(' ', GBINDENT);
434                }
435            }
436        }
437    }
438}
439
440void genbank_out_base_count(const Seq& seq, Writer& write) {
441    BaseCounts bases;
442    seq.count(bases);
443    write.outf("BASE COUNT  %6d a %6d c %6d g %6d t", bases.a, bases.c, bases.g, bases.t);
444    if (bases.other) { // don't write 0 others
445        write.outf(" %6d others", bases.other);
446    }
447    write.out('\n');
448}
449
450void genbank_out(const GenBank& gbk, const Seq& seq, Writer& write) {
451    // Output in a genbank format
452
453    genbank_out_header(gbk, seq, write);
454    genbank_out_base_count(seq, write);
455    write.out("ORIGIN\n");
456    genbank_out_origin(seq, write);
457}
458
459bool GenbankReader::read_one_entry(Seq& seq) {
460    data.reinit();
461    if (!GenbankParser(data, seq, *this).parse_entry()) abort();
462    return ok();
463}
Note: See TracBrowser for help on using the repository browser.