source: trunk/SL/ALILINK/TranslateRealign.cxx

Last change on this file was 19206, checked in by westram, 2 years ago
  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 80.9 KB
Line 
1// =============================================================== //
2//                                                                 //
3//   File      : TranslateRealign.cxx                              //
4//   Purpose   : Translate and realign                             //
5//                                                                 //
6//   Institute of Microbiology (Technical University Munich)       //
7//   http://www.arb-home.de/                                       //
8//                                                                 //
9// =============================================================== //
10
11#include <TranslateRealign.h>
12#include <Translate.hxx>
13#include <AP_codon_table.hxx>
14#include <AP_pro_a_nucs.hxx>
15#include <aw_question.hxx> // @@@ remove (this module should not ask questions!)
16#include <arb_progress.h>
17#include <arb_global_defs.h>
18#include <arbdbt.h>
19#include <arb_defs.h>
20#include <string>
21
22#define ali_assert(cond) arb_assert(cond)
23
24template<typename T>
25class BufferPtr {
26    T *const  bstart;
27    T        *curr;
28public:
29    explicit BufferPtr(T *b) : bstart(b), curr(b) {}
30
31    const T* start() const { return bstart; }
32    size_t offset() const { return curr-bstart; }
33
34    T get() { return *curr++; }
35
36    void put(T c) { *curr++ = c; }
37    void put(T c1, T c2, T c3) { put(c1); put(c2); put(c3); }
38    void put(T c, size_t count) {
39        memset(curr, c, count*sizeof(T));
40        inc(count);
41    }
42    void copy(BufferPtr<const T>& source, size_t count) {
43        memcpy(curr, source, count*sizeof(T));
44        inc(count);
45        source.inc(count);
46    }
47
48    T operator[](int i) const {
49        ali_assert(i>=0 || size_t(-i)<=offset());
50        return curr[i];
51    }
52
53    operator const T*() const { return curr; }
54    operator T*() { return curr; }
55
56    void inc(int o) { curr += o; ali_assert(curr>=bstart); }
57
58    BufferPtr<T>& operator++() { curr++; return *this; }
59    BufferPtr<T>& operator--() { inc(-1); return *this; }
60};
61
62template<typename T>
63class SizedBufferPtr : public BufferPtr<T> {
64    size_t len;
65public:
66    SizedBufferPtr(T *b, size_t len_) : BufferPtr<T>(b), len(len_) {}
67    ~SizedBufferPtr() { ali_assert(valid()); }
68    bool valid() const { return this->offset()<=len; }
69    size_t restLength() const { ali_assert(valid()); return len-this->offset(); }
70    size_t length() const { return len; }
71};
72
73typedef SizedBufferPtr<const char> SizedReadBuffer;
74typedef SizedBufferPtr<char>       SizedWriteBuffer;
75
76// ----------------------------------
77//      Translate protein -> dna
78
79inline bool legal_ORF_pos(int p) { return p >= 0 && p<=2; }
80
81GB_ERROR ALI_translate_marked(GBDATA *gb_main, bool use_entries, bool save_entries, int selected_startpos, bool translate_all, const char *ali_source, const char *ali_dest) {
82    // if use_entries   == true -> use fields 'codon_start' and 'transl_table' for translation
83    //                             (selected_startpos and AWAR_PROTEIN_TYPE are only used if both fields are missing,
84    //                             if only one is missing, now an error occurs)
85    // if use_entries   == false -> always use selected_startpos and AWAR_PROTEIN_TYPE
86    // if translate_all == true -> a selected_startpos > 1 produces a leading 'X' in protein data
87    //                             (otherwise nucleotides in front of the starting pos are simply ignored)
88    // if selected_startpos == AUTODETECT_STARTPOS -> the start pos is chosen to minimise number of stop codons
89
90    ali_assert(legal_ORF_pos(selected_startpos) || selected_startpos == AUTODETECT_STARTPOS);
91
92    GB_ERROR  error   = NULp;
93    char     *to_free = NULp;
94
95    // check/create alignments
96    {
97        GBDATA *gb_source = GBT_get_alignment(gb_main, ali_source);
98        if (!gb_source) {
99            error = GBS_global_string("No valid source alignment (%s)", GB_await_error());
100        }
101        else {
102            GBDATA *gb_dest = GBT_get_alignment(gb_main, ali_dest);
103            if (!gb_dest) {
104                GB_clear_error();
105                const char *msg = GBS_global_string("You have not selected a destination alignment\n"
106                                                    "Shall I create one ('%s_pro') for you?", ali_source);
107                if (!aw_ask_sure("create_protein_ali", msg)) { // @@@ remove (pass answer as parameter and fail if needed)
108                    error = "Cancelled by user";
109                }
110                else {
111                    long slen = GBT_get_alignment_len(gb_main, ali_source);
112                    ali_assert(slen>0);
113
114                    to_free  = GBS_global_string_copy("%s_pro", ali_source);
115                    ali_dest = to_free;
116
117                    {
118                        char *why_created = GBS_global_string_copy("while translating '%s'", ali_source);
119                        gb_dest           = GBT_create_alignment(gb_main, ali_dest, slen/3+1, 0, 1, "ami", why_created);
120                        free(why_created);
121                    }
122
123                    if (!gb_dest) error = GB_await_error();
124                    else          error = GBT_add_alignment_changekeys(gb_main, ali_dest);
125                }
126            }
127        }
128    }
129
130    int no_data             = 0;  // count species w/o data
131    int spec_no_transl_info = 0;  // counts species w/o or with illegal transl_table and/or codon_start
132    int count               = 0;  // count translated species
133    int stops               = 0;  // count overall stop codons
134    int selected_ttable     = -1;
135
136    if (!error) {
137        arb_progress progress("Translating", GBT_count_marked_species(gb_main));
138
139        bool table_used[AWT_CODON_TABLES];
140        memset(table_used, 0, sizeof(table_used));
141        selected_ttable = *GBT_read_int(gb_main, AWAR_PROTEIN_TYPE); // read selected table
142
143        if (use_entries) {
144            for (GBDATA *gb_species = GBT_first_marked_species(gb_main);
145                 gb_species && !error;
146                 gb_species = GBT_next_marked_species(gb_species))
147            {
148                int arb_table, codon_start;
149                error = translate_getInfo(gb_species, arb_table, codon_start);
150
151                if (!error) {
152                    if (arb_table == -1) arb_table = selected_ttable; // no transl_table entry -> default to selected standard code
153                    table_used[arb_table] = true;
154                }
155            }
156        }
157        else {
158            table_used[selected_ttable] = true; // and mark it used
159        }
160
161        for (int table = 0; table<AWT_CODON_TABLES && !error; ++table) {
162            if (!table_used[table]) continue;
163
164            for (GBDATA *gb_species = GBT_first_marked_species(gb_main);
165                 gb_species && !error;
166                 gb_species = GBT_next_marked_species(gb_species))
167            {
168                bool found_transl_info = false;
169                int  startpos          = selected_startpos;
170
171                if (use_entries) {  // if entries are used, test if field 'transl_table' matches current table
172                    int sp_arb_table, sp_codon_start;
173
174                    error = translate_getInfo(gb_species, sp_arb_table, sp_codon_start);
175
176                    ali_assert(!error); // should already have been handled after first call to translate_getInfo above
177
178                    if (sp_arb_table == -1) { // no table in DB
179                        ali_assert(sp_codon_start == -1);    // either both should be defined or none
180                        sp_arb_table   = selected_ttable;   // use selected translation table as default (if 'transl_table' field is missing)
181                        sp_codon_start = selected_startpos; // use selected codon startpos (if 'codon_start' field is missing)
182                    }
183                    else {
184                        ali_assert(sp_codon_start != -1); // either both should be defined or none
185                        found_transl_info = true;
186                        ali_assert(legal_ORF_pos(sp_codon_start));
187                    }
188
189                    if (sp_arb_table != table) continue; // species has not current transl_table
190
191                    startpos = sp_codon_start;
192                }
193
194                GBDATA *gb_source = GB_entry(gb_species, ali_source);
195                if (!gb_source) { ++no_data; }
196                else {
197                    GBDATA *gb_source_data = GB_entry(gb_source, "data");
198                    if (!gb_source_data) { ++no_data; }
199                    else {
200                        char *data = GB_read_string(gb_source_data);
201                        size_t  data_size = GB_read_string_count(gb_source_data);
202                        if (!data) {
203                            GB_print_error(); // cannot read data (ignore species)
204                            ++no_data;
205                        }
206                        else {
207                            if (!found_transl_info) ++spec_no_transl_info; // count species with missing info
208
209                            if (startpos == AUTODETECT_STARTPOS) {
210                                int   cn;
211                                int   stop_codons;
212                                int   least_stop_codons = -1;
213                                char* trial_data[3]     = {data, ARB_strdup(data), ARB_strdup(data)};
214
215                                for (cn = 0 ; cn < 3 ; cn++) {
216                                    stop_codons = translate_nuc2aa(table, trial_data[cn], data_size, cn, translate_all, false, false, NULp); // do the translation
217
218                                    if ((stop_codons < least_stop_codons) ||
219                                        (least_stop_codons == -1))
220                                    {
221                                        least_stop_codons = stop_codons;
222                                        startpos          = cn;
223                                    }
224                                }
225
226                                for (cn = 0 ; cn < 3 ; cn++) {
227                                    if (cn != startpos) {
228                                        free(trial_data[cn]);
229                                    }
230                                }
231
232                                data   = trial_data[startpos];
233                                stops += least_stop_codons;
234
235                            }
236                            else {
237                                stops += translate_nuc2aa(table, data, data_size, startpos, translate_all, false, false, NULp); // do the translation
238                            }
239
240                            ali_assert(legal_ORF_pos(startpos));
241                            ++count;
242
243                            GBDATA *gb_dest_data     = GBT_add_data(gb_species, ali_dest, "data", GB_STRING);
244                            if (!gb_dest_data) error = GB_await_error();
245                            else    error            = GB_write_string(gb_dest_data, data);
246
247
248                            if (!error && save_entries && !found_transl_info) {
249                                error = translate_saveInfo(gb_species, selected_ttable, startpos);
250                            }
251
252                            free(data);
253                        }
254                    }
255                }
256                progress.inc_and_check_user_abort(error);
257            }
258        }
259    }
260
261    if (!error) {
262        if (use_entries) { // use 'transl_table' and 'codon_start' fields ?
263            if (spec_no_transl_info) {
264                int embl_transl_table = TTIT_arb2embl(selected_ttable);
265                GB_warning(GBS_global_string("%i taxa had no valid translation info (fields 'transl_table' and 'codon_start')\n"
266                                             "Defaults (%i and %i) have been used%s.",
267                                             spec_no_transl_info,
268                                             embl_transl_table, selected_startpos+1,
269                                             save_entries ? " and written to DB entries" : ""));
270            }
271            else { // all entries were present
272                GB_warning("codon_start and transl_table entries were found for all translated taxa");
273            }
274        }
275
276        if (no_data>0) {
277            GB_warning(GBS_global_string("%i taxa had no data in '%s'", no_data, ali_source));
278        }
279        if ((count+no_data) == 0) {
280            GB_warning("Please mark species to translate");
281        }
282        else {
283            GB_warning(GBS_global_string("%i taxa converted\n  %f stops per sequence found",
284                                         count, (double)stops/(double)count));
285        }
286    }
287
288    free(to_free);
289
290    return error;
291}
292
293// -----------------------------------------------------------
294//      Realign a dna alignment to a given protein source
295
296class Distributor {
297    int xcount;
298    int *dist;
299    int *left;
300
301    GB_ERROR error;
302
303    void fillFrom(int off) {
304        ali_assert(!error);
305        ali_assert(off<xcount);
306
307        do {
308            int leftX    = xcount-off;
309            int leftDNA  = left[off];
310            int minLeave = leftX-1;
311            int maxLeave = minLeave*3;
312            int minTake  = std::max(1, leftDNA-maxLeave);
313
314#if defined(ASSERTION_USED)
315            int maxTake  = std::min(3, leftDNA-minLeave);
316            ali_assert(minTake<=maxTake);
317#endif
318
319            dist[off]   = minTake;
320            left[off+1] = left[off]-dist[off];
321
322            off++;
323        } while (off<xcount);
324
325        ali_assert(left[xcount] == 0); // expect correct amount of dna has been used
326    }
327    bool incAt(int off) {
328        ali_assert(!error);
329        ali_assert(off<xcount);
330
331        if (dist[off] == 3) {
332            return false;
333        }
334
335        int leftX    = xcount-off;
336        int leftDNA  = left[off];
337        int minLeave = leftX-1;
338        int maxTake  = std::min(3, leftDNA-minLeave);
339
340        if (dist[off] == maxTake) {
341            return false;
342        }
343
344        dist[off]++;
345        left[off+1]--;
346        fillFrom(off+1);
347        return true;
348    }
349
350public:
351    Distributor(int xcount_, int dnacount) :
352        xcount(xcount_),
353        dist(new int[xcount]),
354        left(new int[xcount+1]),
355        error(NULp)
356    {
357        if (dnacount<xcount) {
358            error = "not enough nucleotides";
359        }
360        else if (dnacount>3*xcount) {
361            error = "too much nucleotides";
362        }
363        else {
364            left[0] = dnacount;
365            fillFrom(0);
366        }
367    }
368    Distributor(const Distributor& other)
369        : xcount(other.xcount),
370          dist(new int[xcount]),
371          left(new int[xcount+1]),
372          error(other.error)
373    {
374        memcpy(dist, other.dist, sizeof(*dist)*xcount);
375        memcpy(left, other.left, sizeof(*left)*(xcount+1));
376    }
377    DECLARE_ASSIGNMENT_OPERATOR(Distributor);
378    ~Distributor() {
379        delete [] dist;
380        delete [] left;
381    }
382
383    void reset() { *this = Distributor(xcount, left[0]); }
384
385    int operator[](int off) const {
386        ali_assert(!error);
387        ali_assert(off>=0 && off<xcount);
388        return dist[off];
389    }
390
391    int size() const { return xcount; }
392
393    GB_ERROR get_error() const { return error; }
394
395    bool next() {
396        for (int incPos = xcount-2; incPos>=0; --incPos) {
397            if (incAt(incPos)) return true;
398        }
399        return false;
400    }
401
402    bool mayFailTranslation() const {
403        for (int i = 0; i<xcount; ++i) {
404            if (dist[i] == 3) return true;
405        }
406        return false;
407    }
408    int get_score() const {
409        // rates balanced distributions high
410        int score = 1;
411        for (int i = 0; i<xcount; ++i) { // LOOP_VECTORIZED=4[!>=101<103]
412            score *= dist[i];
413        }
414        return score + 6 - dist[0] - dist[xcount-1]; // prefer border positions with less nucs
415    }
416
417    bool translates_to_Xs(const char *dna, TransTables allowed, TransTables& remaining) const {
418        /*! checks whether distribution of 'dna' translates to X's
419         * @param dna compressed dna
420         * @param allowed allowed translation tables
421         * @param remaining remaining translation tables
422         * @return true if 'dna' translates to X's
423         */
424        bool translates = true;
425        int  off        = 0;
426        for (int p = 0; translates && p<xcount; off += dist[p++]) {
427            if (dist[p] == 3) {
428                TransTables this_remaining;
429                translates = AWT_is_codon('X', dna+off, allowed, this_remaining);
430                if (translates) {
431                    ali_assert(this_remaining.is_subset_of(allowed));
432                    allowed = this_remaining;
433                }
434            }
435        }
436        if (translates) remaining = allowed;
437        return translates;
438    }
439};
440
441inline bool isGap(char c) { return GAP::is_std_gap(c); }
442
443using std::string;
444
445class FailedAt {
446    string             reason;
447    RefPtr<const char> at_prot; // points into aligned protein seq
448    RefPtr<const char> at_dna;  // points into compressed seq
449
450    int cmp(const FailedAt& other) const {
451        ptrdiff_t d = at_prot - other.at_prot;
452        if (!d)   d = at_dna - other.at_dna;
453        return d<0 ? -1 : d>0 ? 1 : 0;
454    }
455
456public:
457    FailedAt() :
458        at_prot(NULp),
459        at_dna(NULp)
460    {}
461    FailedAt(GB_ERROR reason_, const char *at_prot_, const char *at_dna_)
462        : reason(reason_),
463          at_prot(at_prot_),
464          at_dna(at_dna_)
465    {
466        ali_assert(reason_);
467    }
468
469    GB_ERROR why() const { return reason.empty() ? NULp : reason.c_str(); }
470    const char *protein_at() const { return at_prot; }
471    const char *dna_at() const { return at_dna; }
472
473    operator bool() const { return !reason.empty(); }
474
475    void add_prefix(const char *prefix) {
476        ali_assert(!reason.empty());
477        reason = string(prefix)+reason;
478    }
479
480    bool operator>(const FailedAt& other) const { return cmp(other)>0; }
481};
482
483class RealignAttempt : virtual Noncopyable {
484    TransTables           allowed;
485    SizedReadBuffer       compressed_dna;
486    BufferPtr<const char> aligned_protein;
487    SizedWriteBuffer      target_dna;
488    FailedAt              fail;
489    bool                  cutoff_dna;
490
491    void perform();
492
493    bool sync_behind_X_and_distribute(const int x_count, char *const x_start, const char *const x_start_prot);
494
495public:
496    RealignAttempt(const TransTables& allowed_, const char *compressed_dna_, size_t compressed_len_, const char *aligned_protein_, char *target_dna_, size_t target_len_, bool cutoff_dna_)
497        : allowed(allowed_),
498          compressed_dna(compressed_dna_, compressed_len_),
499          aligned_protein(aligned_protein_),
500          target_dna(target_dna_, target_len_),
501          cutoff_dna(cutoff_dna_)
502    {
503        ali_assert(aligned_protein[0]);
504        perform();
505    }
506
507    const TransTables& get_remaining_tables() const { return allowed; }
508    const FailedAt& failed() const { return fail; }
509};
510
511static GB_ERROR distribute_xdata(SizedReadBuffer& dna, size_t xcount, char *xtarget_, bool gap_before, bool gap_after, const TransTables& allowed, TransTables& remaining) {
512    /*! distributes 'dna' to marked X-positions
513     * @param xtarget destination buffer (target positions are marked with '!')
514     * @param xcount number of X's encountered
515     * @param gap_before true if resulting realignment has a gap or the start of alignment before the X-positions
516     * @param gap_after analog to 'gap_before'
517     * @param allowed allowed translation tables
518     * @param remaining remaining allowed translation tables (with those tables disabled for which no distribution possible)
519     * @return error if dna distribution wasn't possible
520     */
521
522    BufferPtr<char> xtarget(xtarget_);
523    Distributor     dist(xcount, dna.length());
524    GB_ERROR        error = dist.get_error();
525    if (!error) {
526        Distributor best(dist);
527        TransTables best_remaining = allowed;
528
529        while (dist.next()) {
530            if (dist.get_score() > best.get_score()) {
531                if (!dist.mayFailTranslation() || best.mayFailTranslation()) {
532                    best           = dist;
533                    best_remaining = allowed;
534                    ali_assert(best_remaining.is_subset_of(allowed));
535                }
536            }
537        }
538
539        if (best.mayFailTranslation()) {
540            TransTables curr_remaining;
541            if (best.translates_to_Xs(dna, allowed, curr_remaining)) {
542                best_remaining = curr_remaining;
543                ali_assert(best_remaining.is_subset_of(allowed));
544            }
545            else {
546                ali_assert(!error);
547                error = "no translating X-distribution found";
548                dist.reset();
549                do {
550                    if (dist.translates_to_Xs(dna, allowed, curr_remaining)) {
551                        best           = dist;
552                        best_remaining = curr_remaining;
553                        error          = NULp;
554                        ali_assert(best_remaining.is_subset_of(allowed));
555                        break;
556                    }
557                } while (dist.next());
558
559                while (dist.next()) {
560                    if (dist.get_score() > best.get_score()) {
561                        if (dist.translates_to_Xs(dna, allowed, curr_remaining)) {
562                            best           = dist;
563                            best_remaining = curr_remaining;
564                            ali_assert(best_remaining.is_subset_of(allowed));
565                        }
566                    }
567                }
568            }
569        }
570
571        if (!error) { // now really distribute nucs
572            for (int x = 0; x<best.size(); ++x) {
573                while (xtarget[0] != '!') {
574                    ali_assert(xtarget[1] && xtarget[2]); // buffer overflow
575                    xtarget.inc(3);
576                }
577
578                switch (best[x]) {
579                    case 2: {
580                        enum { UNDECIDED, SPREAD, LEFT, RIGHT } mode = UNDECIDED;
581
582                        bool is_1st_X  = xtarget.offset() == 0;
583                        bool gaps_left = is_1st_X ? gap_before : isGap(xtarget[-1]);
584
585                        if (gaps_left) mode = LEFT;
586                        else { // definitely has no gap left!
587                            bool is_last_X  = x == best.size()-1;
588                            int  next_nucs  = is_last_X ? 0 : best[x+1];
589                            bool gaps_right = isGap(xtarget[3]) || next_nucs == 1 || (is_last_X && gap_after);
590
591                            if (gaps_right) mode = RIGHT;
592                            else {
593                                bool nogaps_right = next_nucs == 3 || (is_last_X && !gap_after);
594                                if (nogaps_right) { // we know, we have NO adjacent gaps
595                                    mode = is_last_X ? LEFT : (is_1st_X ? RIGHT : SPREAD);
596                                }
597                                else {
598                                    ali_assert(!is_last_X);
599                                    mode = RIGHT; // forward problem to next X
600                                }
601                            }
602                        }
603
604                        char d1 = dna.get();
605                        char d2 = dna.get();
606
607                        switch (mode) {
608                            case UNDECIDED: ali_assert(0); FALLTHROUGH; // in NDEBUG
609                            case SPREAD: xtarget.put(d1,  '-', d2);  break;
610                            case LEFT:   xtarget.put(d1,  d2,  '-'); break;
611                            case RIGHT:  xtarget.put('-', d1,  d2);  break;
612                        }
613
614                        break;
615                    }
616                    case 1: xtarget.put('-', dna.get(), '-'); break;
617                    case 3: xtarget.copy(dna, 3); break;
618                    default: ali_assert(0); break;
619                }
620                ali_assert(dna.valid());
621            }
622
623            ali_assert(!error);
624            remaining = best_remaining;
625            ali_assert(remaining.is_subset_of(allowed));
626        }
627    }
628
629    return error;
630}
631
632bool RealignAttempt::sync_behind_X_and_distribute(const int x_count, char *const x_start, const char *const x_start_prot) {
633    /*! brute-force search for sync behind 'X' and distribute dna onto X positions
634     * @param x_count number of X encountered
635     * @param x_start dna read position
636     * @param x_start_prot protein read position
637     * @return true if sync and distribution succeed
638     */
639
640    bool complete = false;
641
642    ali_assert(!failed());
643    ali_assert(aligned_protein.offset()>0);
644    const char p = aligned_protein[-1];
645
646    size_t compressed_rest_len = compressed_dna.restLength();
647    ali_assert(strlen(compressed_dna) == compressed_rest_len);
648
649    size_t min_dna = x_count;
650    size_t max_dna = std::min(size_t(x_count)*3, compressed_rest_len);
651
652    if (min_dna>max_dna) {
653        fail = FailedAt("not enough nucs for X's at sequence end", x_start_prot, compressed_dna);
654    }
655    else if (p) {
656        FailedAt foremost;
657        size_t   target_rest_len = target_dna.restLength();
658
659        for (size_t x_dna = min_dna; x_dna<=max_dna; ++x_dna) { // prefer low amounts of used dna
660            const char *dna_rest     = compressed_dna + x_dna;
661            size_t      dna_rest_len = compressed_rest_len     - x_dna;
662
663            ali_assert(strlen(dna_rest) == dna_rest_len);
664            ali_assert(compressed_rest_len>=x_dna);
665
666            RealignAttempt attemptRest(allowed, dna_rest, dna_rest_len, aligned_protein-1, target_dna, target_rest_len, cutoff_dna);
667            FailedAt       restFailed = attemptRest.failed();
668
669            if (!restFailed) {
670                SizedReadBuffer distrib_dna(compressed_dna, x_dna);
671
672                bool has_gap_before = x_start == target_dna.start() ? true : isGap(x_start[-1]);
673                bool has_gap_after  = isGap(dna_rest[0]);
674
675                TransTables remaining;
676                GB_ERROR    disterr = distribute_xdata(distrib_dna, x_count, x_start, has_gap_before, has_gap_after, attemptRest.get_remaining_tables(), remaining);
677                if (disterr) {
678                    restFailed = FailedAt(disterr, x_start_prot, dna_rest); // prot=start of Xs; dna=start of sync (behind Xs)
679                }
680                else {
681                    ali_assert(remaining.is_subset_of(allowed));
682                    ali_assert(remaining.is_subset_of(attemptRest.get_remaining_tables()));
683                    allowed = remaining;
684                }
685            }
686
687            if (restFailed) {
688                if (restFailed > foremost) foremost = restFailed; // track "best" failure (highest fail position)
689            }
690            else { // success
691                foremost = FailedAt();
692                complete = true;
693                break; // use first success and return
694            }
695        }
696
697        if (foremost) {
698            ali_assert(!complete);
699            fail = foremost;
700            if (!strstr(fail.why(), "Sync behind 'X'")) { // do not spam repetitive sync-failures
701                fail.add_prefix("Sync behind 'X' failed foremost with: ");
702            }
703        }
704        else {
705            ali_assert(complete);
706        }
707    }
708    else {
709        GB_ERROR fail_reason = "internal error: no distribution attempted";
710        ali_assert(min_dna>0);
711        size_t x_dna;
712        for (x_dna = max_dna; x_dna>=min_dna; --x_dna) {     // prefer high amounts of dna
713            SizedReadBuffer append_dna(compressed_dna, x_dna);
714            TransTables     remaining;
715            fail_reason = distribute_xdata(append_dna, x_count, x_start, false, true, allowed, remaining);
716            if (!fail_reason) { // found distribution -> done
717                ali_assert(remaining.is_subset_of(allowed));
718                allowed = remaining;
719                break;
720            }
721        }
722
723        if (fail_reason) {
724            fail = FailedAt(fail_reason, x_start_prot+1, compressed_dna); // report error at start of X's
725        }
726        else {
727            fail = FailedAt(); // clear
728            compressed_dna.inc(x_dna);
729        }
730    }
731
732    ali_assert(implicated(complete, allowed.any()));
733
734    return complete;
735}
736
737void RealignAttempt::perform() {
738    bool complete = false; // set to true, if recursive attempt succeeds
739
740    while (char p = toupper(aligned_protein.get())) {
741        if (p=='X') { // one X represents 1 to 3 DNAs (normally 1 or 2, but 'NNN' translates to 'X')
742            char       *x_start      = target_dna;
743            const char *x_start_prot = aligned_protein-1;
744            int         x_count      = 0;
745
746            for (;;) {
747                if      (p=='X')   { x_count++; target_dna.put('!', 3); } // fill X space with marker
748                else if (isGap(p)) target_dna.put(p, 3);
749                else break;
750
751                p = toupper(aligned_protein.get());
752            }
753
754            ali_assert(x_count);
755            ali_assert(!complete);
756            complete = sync_behind_X_and_distribute(x_count, x_start, x_start_prot);
757            if (!complete && !failed()) {
758                if (p) { // not all proteins were processed
759                    fail = FailedAt("internal error", aligned_protein-1, compressed_dna);
760                    ali_assert(0);
761                }
762            }
763            break; // done
764        }
765
766        if (isGap(p)) target_dna.put(p, 3);
767        else {
768            TransTables remaining;
769            size_t      compressed_rest_len = compressed_dna.restLength();
770
771            if (compressed_rest_len<3) {
772                fail = FailedAt(GBS_global_string("not enough nucs left for codon of '%c'", p), aligned_protein-1, compressed_dna);
773            }
774            else {
775                ali_assert(strlen(compressed_dna) == compressed_rest_len);
776                ali_assert(compressed_rest_len >= 3);
777                const char *why_fail;
778                if (!AWT_is_codon(p, compressed_dna, allowed, remaining, &why_fail)) {
779                    fail = FailedAt(why_fail, aligned_protein-1, compressed_dna);
780                }
781            }
782
783            if (failed()) break;
784
785            ali_assert(remaining.is_subset_of(allowed));
786            allowed = remaining;
787            target_dna.copy(compressed_dna, 3);
788        }
789    }
790
791    ali_assert(compressed_dna.valid());
792
793    if (!failed() && !complete) {
794        while (target_dna.offset()>0 && isGap(target_dna[-1])) --target_dna; // remove terminal gaps
795
796        if (!cutoff_dna) { // append leftover dna-data (data w/o corresponding aa)
797            size_t compressed_rest_len = compressed_dna.restLength();
798            size_t target_rest_len = target_dna.restLength();
799            if (compressed_rest_len<=target_rest_len) {
800                target_dna.copy(compressed_dna, compressed_rest_len);
801            }
802            else {
803                fail = FailedAt(GBS_global_string("too much trailing DNA (%zu nucs, but only %zu columns left)",
804                                                  compressed_rest_len, target_rest_len),
805                                aligned_protein-1, compressed_dna);
806            }
807        }
808
809        if (!failed()) target_dna.put('.', target_dna.restLength()); // fill rest of sequence with dots
810        *target_dna = 0;
811    }
812
813#if defined(ASSERTION_USED)
814    if (!failed()) {
815        ali_assert(strlen(target_dna.start()) == target_dna.length());
816    }
817#endif
818}
819
820inline char *unalign(const char *data, size_t len, size_t& compressed_len) {
821    // removes gaps from sequence
822    char *compressed = ARB_alloc<char>(len+1);
823    compressed_len = 0;
824    for (size_t p = 0; p<len && data[p]; ++p) {
825        if (!isGap(data[p])) {
826            compressed[compressed_len++] = data[p];
827        }
828    }
829    compressed[compressed_len] = 0;
830    return compressed;
831}
832
833class Realigner {
834    const char *ali_source;
835    const char *ali_dest;
836
837    size_t ali_len;        // of ali_dest
838    size_t needed_ali_len; // >ali_len if ali_dest is too short; 0 otherwise
839
840    const char *fail_reason;
841
842    GB_ERROR annotate_fail_position(const FailedAt& failed, const char *source, const char *dest, const char *compressed_dest) {
843        int source_fail_pos = failed.protein_at() - source;
844        int dest_fail_pos   = 0;
845        {
846            int fail_d_base_count = failed.dna_at() - compressed_dest;
847
848            const char *dp = dest;
849
850            for (;;) {
851                char c = *dp++;
852
853                if (!c) { // failure at end of sequence
854                    dest_fail_pos++; // report position behind last non-gap
855                    break;
856                }
857                if (!isGap(c)) {
858                    dest_fail_pos = (dp-1)-dest;
859                    if (!fail_d_base_count) break;
860                    fail_d_base_count--;
861                }
862            }
863        }
864        return GBS_global_string("%s at %s:%i / %s:%i",
865                                 failed.why(),
866                                 ali_source, info2bio(source_fail_pos),
867                                 ali_dest, info2bio(dest_fail_pos));
868    }
869
870
871    static void calc_needed_dna(const char *prot, size_t len, size_t& minDNA, size_t& maxDNA) {
872        minDNA = maxDNA = 0;
873        for (size_t o = 0; o<len; ++o) {
874            char p = toupper(prot[o]);
875            if (p == 'X') {
876                minDNA += 1;
877                maxDNA += 3;
878            }
879            else if (!isGap(p)) {
880                minDNA += 3;
881                maxDNA += 3;
882            }
883        }
884    }
885    static size_t countLeadingGaps(const char *buffer) {
886        size_t gaps = 0;
887        for (int o = 0; isGap(buffer[o]); ++o) ++gaps;
888        return gaps;
889    }
890
891public:
892    Realigner(const char *ali_source_, const char *ali_dest_, size_t ali_len_)
893        : ali_source(ali_source_),
894          ali_dest(ali_dest_),
895          ali_len(ali_len_),
896          needed_ali_len(0)
897    {
898        clear_failure();
899    }
900
901    size_t get_needed_dest_alilen() const { return needed_ali_len; }
902
903    void set_failure(const char *reason) { fail_reason = reason; }
904    void clear_failure() { fail_reason = NULp; }
905
906    const char *failure() const { return fail_reason; }
907
908    char *realign_seq(TransTables& allowed, const char *const source, size_t source_len, const char *const dest, size_t dest_len, bool cutoff_dna) {
909        ali_assert(!failure());
910
911        size_t  wanted_ali_len = source_len*3;
912        char   *buffer         = NULp;
913
914        if (ali_len<wanted_ali_len) {
915            fail_reason = GBS_global_string("Alignment '%s' is too short (increase its length to %zu)", ali_dest, wanted_ali_len);
916            if (wanted_ali_len>needed_ali_len) needed_ali_len = wanted_ali_len;
917        }
918        else {
919            // compress destination DNA (=remove align-characters):
920            size_t  compressed_len;
921            char   *compressed_dest = unalign(dest, dest_len, compressed_len);
922
923            ARB_alloc(buffer, ali_len+1);
924
925            RealignAttempt attempt(allowed, compressed_dest, compressed_len, source, buffer, ali_len, cutoff_dna);
926            FailedAt       failed = attempt.failed();
927
928            if (failed) {
929                // test for superfluous DNA at sequence start
930                size_t min_dna, max_dna;
931                calc_needed_dna(source, source_len, min_dna, max_dna);
932
933                if (min_dna<compressed_len) { // we have more DNA than we need
934                    size_t extra_dna = compressed_len-min_dna;
935                    for (size_t skip = 1; skip<=extra_dna; ++skip) {
936                        RealignAttempt attemptSkipped(allowed, compressed_dest+skip, compressed_len-skip, source, buffer, ali_len, cutoff_dna);
937                        if (!attemptSkipped.failed()) {
938                            failed = FailedAt(); // clear
939                            if (!cutoff_dna) {
940                                size_t start_gaps = countLeadingGaps(buffer);
941                                if (start_gaps<skip) {
942                                    failed = FailedAt(GBS_global_string("Not enough gaps to place %zu extra nucs at start of sequence",
943                                                                        skip), source, compressed_dest);
944                                }
945                                else { // success
946                                    memcpy(buffer+(start_gaps-skip), compressed_dest, skip); // copy-in skipped dna
947                                }
948                            }
949                            if (!failed) {
950                                ali_assert(attempt.get_remaining_tables().is_subset_of(allowed));
951                                allowed = attemptSkipped.get_remaining_tables();
952                            }
953                            break; // no need to skip more dna, when we already have too few leading gaps
954                        }
955                    }
956                }
957            }
958            else {
959                ali_assert(attempt.get_remaining_tables().is_subset_of(allowed));
960                allowed = attempt.get_remaining_tables();
961            }
962
963            if (failed) {
964                fail_reason = annotate_fail_position(failed, source, dest, compressed_dest);
965                freenull(buffer);
966            }
967            free(compressed_dest);
968        }
969        ali_assert(contradicted(buffer, fail_reason));
970        return buffer;
971    }
972};
973
974struct Data : virtual Noncopyable {
975    GBDATA *gb_data;
976    char   *data;
977    size_t  len;
978    char   *error;
979
980    Data(GBDATA *gb_species, const char *aliName) :
981        gb_data(NULp),
982        data(NULp),
983        len(0),
984        error(NULp)
985    {
986        GBDATA *gb_ali = GB_entry(gb_species, aliName);
987        if (gb_ali) {
988            gb_data = GB_entry(gb_ali, "data");
989            if (gb_data) {
990                data          = GB_read_string(gb_data);
991                if (data) len = GB_read_string_count(gb_data);
992                else error    = ARB_strdup(GB_await_error());
993                return;
994            }
995        }
996        error = GBS_global_string_copy("No data in alignment '%s'", aliName);
997    }
998    ~Data() {
999        free(data);
1000        free(error);
1001    }
1002};
1003
1004GB_ERROR ALI_realign_marked(GBDATA *gb_main, const char *ali_source, const char *ali_dest, size_t& neededLength, bool unmark_succeeded, bool cutoff_dna) {
1005    /*! realigns DNA alignment of marked sequences according to their protein alignment
1006     * @param ali_source protein source alignment
1007     * @param ali_dest modified DNA alignment
1008     * @param neededLength result: minimum alignment length needed in ali_dest (if too short) or 0 if long enough
1009     * @param unmark_succeeded unmark all species that were successfully realigned
1010     */
1011    AP_initialize_codon_tables();
1012
1013    ali_assert(GB_get_transaction_level(gb_main) == 0);
1014    GB_transaction ta(gb_main); // do not abort (otherwise sth goes wrong with species marks)
1015
1016    {
1017        GBDATA *gb_source = GBT_get_alignment(gb_main, ali_source); if (!gb_source) return GB_append_exportedError("lack valid source alignment");
1018        GBDATA *gb_dest   = GBT_get_alignment(gb_main, ali_dest);   if (!gb_dest)   return GB_append_exportedError("lack valid destination alignment");
1019    }
1020
1021    if (GBT_get_alignment_type(gb_main, ali_source) != GB_AT_AA)  return "Invalid source alignment type";
1022    if (GBT_get_alignment_type(gb_main, ali_dest)   != GB_AT_DNA) return "Invalid destination alignment type";
1023
1024    long ali_len = GBT_get_alignment_len(gb_main, ali_dest);
1025    ali_assert(ali_len>0);
1026
1027    GB_ERROR error = NULp;
1028
1029    long no_of_marked_species    = GBT_count_marked_species(gb_main);
1030    long no_of_realigned_species = 0; // count successfully realigned species
1031
1032    arb_progress progress("Re-aligner", no_of_marked_species);
1033    progress.auto_subtitles("Re-aligning species");
1034
1035    Realigner realigner(ali_source, ali_dest, ali_len);
1036
1037    for (GBDATA *gb_species = GBT_first_marked_species(gb_main);
1038         !error && gb_species;
1039         gb_species = GBT_next_marked_species(gb_species))
1040    {
1041        realigner.clear_failure();
1042
1043        Data source(gb_species, ali_source);
1044        Data dest(gb_species, ali_dest);
1045
1046        if      (source.error) realigner.set_failure(source.error);
1047        else if (dest.error)   realigner.set_failure(dest.error);
1048
1049        if (!realigner.failure()) {
1050            TransTables allowed; // default: all translation tables allowed
1051#if defined(ASSERTION_USED)
1052            bool has_valid_translation_info = false;
1053#endif
1054            {
1055                int arb_transl_table, codon_start;
1056                GB_ERROR local_error = translate_getInfo(gb_species, arb_transl_table, codon_start);
1057                if (local_error) {
1058                    realigner.set_failure(GBS_global_string("Error while reading 'transl_table' (%s)", local_error));
1059                }
1060                else if (arb_transl_table >= 0) {
1061                    // we found a 'transl_table' entry -> restrict used code to the code stored there
1062                    allowed.forbidAllBut(arb_transl_table);
1063#if defined(ASSERTION_USED)
1064                    has_valid_translation_info = true;
1065#endif
1066                }
1067            }
1068
1069            if (!realigner.failure()) {
1070                char *buffer = realigner.realign_seq(allowed, source.data, source.len, dest.data, dest.len, cutoff_dna);
1071                if (buffer) { // re-alignment successful
1072                    error = GB_write_string(dest.gb_data, buffer);
1073
1074                    if (!error) {
1075                        int explicit_table_known = allowed.explicit_table();
1076
1077                        if (explicit_table_known >= 0) { // we know the exact code -> write codon_start and transl_table
1078                            const int codon_start  = 0; // by definition (after realignment)
1079                            error = translate_saveInfo(gb_species, explicit_table_known, codon_start);
1080                        }
1081#if defined(ASSERTION_USED)
1082                        else { // we dont know the exact code -> can only happen if species has no translation info
1083                            ali_assert(allowed.any()); // bug in realigner
1084                            ali_assert(!has_valid_translation_info);
1085                        }
1086#endif
1087                    }
1088                    free(buffer);
1089                    if (!error && unmark_succeeded) GB_write_flag(gb_species, 0);
1090                }
1091            }
1092        }
1093
1094        if (realigner.failure()) {
1095            ali_assert(!error);
1096            GB_warningf("Automatic re-align failed for '%s'\nReason: %s", GBT_get_name_or_description(gb_species), realigner.failure());
1097        }
1098        else if (!error) {
1099            no_of_realigned_species++;
1100        }
1101
1102        progress.inc_and_check_user_abort(error);
1103    }
1104
1105    neededLength = realigner.get_needed_dest_alilen();
1106
1107    if (no_of_marked_species == 0) {
1108        GB_warning("Please mark some species to realign them");
1109    }
1110    else if (no_of_realigned_species != no_of_marked_species) {
1111        long failed = no_of_marked_species-no_of_realigned_species;
1112        ali_assert(failed>0);
1113        if (no_of_realigned_species) {
1114            GB_warningf("%li marked species failed to realign (%li succeeded)", failed, no_of_realigned_species);
1115        }
1116        else {
1117            GB_warning("All marked species failed to realign");
1118        }
1119    }
1120
1121    if (error) progress.done();
1122    else error = GBT_check_data(gb_main,ali_dest);
1123
1124    return error;
1125}
1126
1127
1128// --------------------------------------------------------------------------------
1129
1130#ifdef UNIT_TESTS
1131#ifndef TEST_UNIT_H
1132#include <test_unit.h>
1133#endif
1134
1135#include <arb_handlers.h>
1136
1137static std::string msgs;
1138
1139static void msg_to_string(const char *msg) {
1140    msgs += msg;
1141    msgs += '\n';
1142}
1143
1144static const char *translation_info(GBDATA *gb_species) {
1145    int      arb_transl_table;
1146    int      codon_start;
1147    GB_ERROR error = translate_getInfo(gb_species, arb_transl_table, codon_start);
1148
1149    static SmartCharPtr result;
1150
1151    if (error) result = GBS_global_string_copy("Error: %s", error);
1152    else       result = GBS_global_string_copy("t=%i,cs=%i", arb_transl_table, codon_start);
1153
1154    return &*result;
1155}
1156
1157static arb_handlers test_handlers = {
1158    msg_to_string,
1159    msg_to_string,
1160    msg_to_string,
1161    active_arb_handlers->status,
1162};
1163
1164#define DNASEQ(name) GB_read_char_pntr(GBT_find_sequence(GBT_find_species(gb_main, name), "ali_dna"))
1165#define PROSEQ(name) GB_read_char_pntr(GBT_find_sequence(GBT_find_species(gb_main, name), "ali_pro"))
1166
1167#define TRANSLATION_INFO(name) translation_info(GBT_find_species(gb_main, name))
1168
1169void TEST_realign() {
1170    arb_handlers *old_handlers = active_arb_handlers;
1171    ARB_install_handlers(test_handlers);
1172
1173    GB_shell  shell;
1174    GBDATA   *gb_main = GB_open("TEST_realign.arb", "rw");
1175
1176    arb_suppress_progress here;
1177    enum TransResult { SAME, CHANGED };
1178
1179    {
1180        GB_ERROR error;
1181        size_t   neededLength = 0;
1182
1183        {
1184            struct transinfo_check {
1185                const char  *species_name;
1186                const char  *old_info;
1187                TransResult  changed;
1188                const char  *new_info;
1189            };
1190
1191            transinfo_check info[] = {
1192                { "BctFra12", "t=0,cs=1",  SAME,    NULp        }, // fails -> unchanged
1193                { "CytLyti6", "t=9,cs=1",  CHANGED, "t=9,cs=0"  },
1194                { "TaxOcell", "t=14,cs=1", CHANGED, "t=14,cs=0" },
1195                { "StrRamo3", "t=0,cs=1",  SAME,    NULp        }, // fails -> unchanged
1196                { "StrCoel9", "t=0,cs=0",  SAME,    NULp        }, // already correct
1197                { "MucRacem", "t=0,cs=1",  CHANGED, "t=0,cs=0"  },
1198                { "MucRace2", "t=0,cs=1",  CHANGED, "t=0,cs=0"  },
1199                { "MucRace3", "t=0,cs=0",  SAME,    NULp        }, // fails -> unchanged
1200                { "AbdGlauc", "t=0,cs=0",  SAME,    NULp        }, // already correct
1201                { "CddAlbic", "t=0,cs=0",  SAME,    NULp        }, // already correct
1202
1203                { NULp, NULp, SAME, NULp }
1204            };
1205
1206            {
1207                GB_transaction ta(gb_main);
1208
1209                for (int i = 0; info[i].species_name; ++i) {
1210                    const transinfo_check& I = info[i];
1211                    TEST_ANNOTATE(I.species_name);
1212                    TEST_EXPECT_EQUAL(TRANSLATION_INFO(I.species_name), I.old_info);
1213                }
1214            }
1215            TEST_ANNOTATE(NULp);
1216
1217            msgs  = "";
1218            error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, false);
1219            TEST_EXPECT_NO_ERROR(error);
1220            TEST_EXPECT_EQUAL(msgs,
1221                              "Automatic re-align failed for 'BctFra12'\nReason: not enough nucs for X's at sequence end at ali_pro:40 / ali_dna:109\n" // correct report (got no nucs for 1 X)
1222                              "Automatic re-align failed for 'StrRamo3'\nReason: not enough nucs for X's at sequence end at ali_pro:36 / ali_dna:106\n" // correct report (got 3 nucs for 4 Xs)
1223                              "Automatic re-align failed for 'MucRace3'\nReason: Sync behind 'X' failed foremost with: Not all IUPAC-combinations of 'NCC' translate to 'T' (for trans-table 1) at ali_pro:28 / ali_dna:78\n" // correct report
1224                              "3 marked species failed to realign (7 succeeded)\n"
1225                );
1226
1227            {
1228                GB_transaction ta(gb_main);
1229
1230                TEST_EXPECT_EQUAL(DNASEQ("BctFra12"),    "ATGGCTAAAGAGAAATTTGAACGTACCAAACCGCACGTAAACATTGGTACAATCGGTCACGTTGACCACGGTAAAACCACTTTGACTGCTGCTATCACTACTGTGTTG------------------"); // failed = > seq unchanged
1231                TEST_EXPECT_EQUAL(DNASEQ("CytLyti6"),    "-A-TGGCAAAGGAAACTTTTGATCGTTCCAAACCGCACTTAA---ATATAG---GTACTATTGGACACGTAGATCACGGTAAAACTACTTTAACTGCTGCTATTACAASAGTAT-T-----G....");
1232                TEST_EXPECT_EQUAL(DNASEQ("TaxOcell"),    "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G..........");
1233                TEST_EXPECT_EQUAL(DNASEQ("StrRamo3"),    "ATGTCCAAGACGGCATACGTGCGCACCAAACCGCATCTGAACATCGGCACGATGGGTCATGTCGACCACGGCAAGACCACGTTGACCGCCGCCATCACCAAGGTCCTC------------------"); // failed = > seq unchanged
1234                TEST_EXPECT_EQUAL(DNASEQ("StrCoel9"),    "ATGTCCAAGACGGCGTACGTCCGC-C--C--A-CC-TG--A----GGCACGATG-G-CC--C-GACCACGGCAAGACCACCCTGACCGCCGCCATCACCAAGGTC-C--T--------C.......");
1235                TEST_EXPECT_EQUAL(DNASEQ("MucRacem"),    "......ATGGGTAAAGAG---------AAGACTCACGTTAACGTCGTCGTCATTGGTCACGTCGATTCCGGTAAATCTACTACTACTGGTCACTTGATTTACAAGTGTGGTGGTATA-AA......");
1236                TEST_EXPECT_EQUAL(DNASEQ("MucRace2"),    "ATGGGTAAGGAG---------AAGACTCACGTTAACGTCGTCGTCATTGGTCACGTCGATTCCGGTAAATCTACTACTACTGGTCACTTGATTTACAAGTGTGGTGGT-ATNNNAT-AAA......");
1237                TEST_EXPECT_EQUAL(DNASEQ("MucRace3"),    "-----------ATGGGTAAAGAGAAGACTCACGTTRAYGTTGTCGTTATTGGTCACGTCRATTCCGGTAAGTCCACCNCCRCTGGTCACTTGATTTACAAGTGTGGTGGTATAA-A----------"); // failed = > seq unchanged
1238                TEST_EXPECT_EQUAL(DNASEQ("AbdGlauc"),    "ATGGGTAAA-G--A--A--A--A--G-AC--T-CACGTTAACGTCGTTGTCATTGGTCACGTCGATTCTGGTAAATCCACCACCACTGGTCATTTGATCTACAAGTGCGGTGGTATA-AA......");
1239                TEST_EXPECT_EQUAL(DNASEQ("CddAlbic"),    "ATG-GG-TAAA-GAA------------AAAACTCACGTTAACGTTGTTGTTATTGGTCACGTCGATTCCGGTAAATCTACTACCACCGGTCACTTAATTTACAAGTGTGGTGGTATA-AA......");
1240                // ------------------------------------- "123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123"
1241
1242                for (int i = 0; info[i].species_name; ++i) {
1243                    const transinfo_check& I = info[i];
1244                    TEST_ANNOTATE(I.species_name);
1245                    switch (I.changed) {
1246                        case SAME:
1247                            TEST_EXPECT_EQUAL(TRANSLATION_INFO(I.species_name), I.old_info);
1248                            TEST_EXPECT_NULL(static_cast<const char*>(I.new_info));
1249                            break;
1250                        case CHANGED:
1251                            TEST_EXPECT_EQUAL(TRANSLATION_INFO(I.species_name), I.new_info);
1252                            TEST_EXPECT_DIFFERENT(I.new_info, I.old_info);
1253                            break;
1254                    }
1255                }
1256                TEST_ANNOTATE(NULp);
1257            }
1258        }
1259
1260        // test translation of successful realignments (see previous section)
1261        {
1262            GB_transaction ta(gb_main);
1263
1264            struct translate_check {
1265                const char *species_name;
1266                const char *original_prot;
1267                TransResult retranslation;
1268                const char *changed_prot; // if changed by translation (NULp for SAME)
1269            };
1270
1271            translate_check trans[] = {
1272                { "CytLyti6", "XWQRKLLIVPNRT*-I*-VLLDT*ITVKLL*SSLLZZYX-X.",
1273                  CHANGED,    "XWQRKLLIVPNRT*-I*-VLLDT*ITVKLL*SSLLQZYX-X." }, // ok: one of the Zs near end translates to Q
1274                { "TaxOcell", "XG*SNFWPVQAARNHRHD--RSRGPRQBDSDRCYHHGAX-..",
1275                  CHANGED,    "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX..." }, // ok - only changes gaptype at EOS
1276                { "MucRacem", "..MGKE---KTHVNVVVIGHVDSGKSTTTGHLIYKCGGIX..", SAME, NULp },
1277                { "MucRace2", "MGKE---KTHVNVVVIGHVDSGKSTTTGHLIYKCGGXXXK--",
1278                  CHANGED,    "MGKE---KTHVNVVVIGHVDSGKSTTTGHLIYKCGGXXXK.." }, // ok - only changes gaptype at EOS
1279                { "AbdGlauc", "MGKXXXXXXXXHVNVVVIGHVDSGKSTTTGHLIYKCGGIX..", SAME, NULp },
1280                { "StrCoel9", "MSKTAYVRXXXXXX-GTMXXXDHGKTTLTAAITKVXX--X..", SAME, NULp },
1281                { "CddAlbic", "MXXXE----KTHVNVVVIGHVDSGKSTTTGHLIYKCGGIX..", SAME, NULp },
1282
1283                { NULp, NULp, SAME, NULp }
1284            };
1285
1286            // check original protein sequences
1287            for (int t = 0; trans[t].species_name; ++t) {
1288                const translate_check& T = trans[t];
1289                TEST_ANNOTATE(T.species_name);
1290                TEST_EXPECT_EQUAL(PROSEQ(T.species_name), T.original_prot);
1291            }
1292            TEST_ANNOTATE(NULp);
1293
1294            msgs  = "";
1295            error = ALI_translate_marked(gb_main, true, false, 0, true, "ali_dna", "ali_pro");
1296            TEST_EXPECT_NO_ERROR(error);
1297            TEST_EXPECT_EQUAL(msgs, "codon_start and transl_table entries were found for all translated taxa\n10 taxa converted\n  1.100000 stops per sequence found\n");
1298
1299            // check re-translated protein sequences
1300            for (int t = 0; trans[t].species_name; ++t) {
1301                const translate_check& T = trans[t];
1302                TEST_ANNOTATE(T.species_name);
1303                switch (T.retranslation) {
1304                    case SAME:
1305                        TEST_EXPECT_NULL(static_cast<const char*>(T.changed_prot));
1306                        TEST_EXPECT_EQUAL(PROSEQ(T.species_name), T.original_prot);
1307                        break;
1308                    case CHANGED:
1309                        TEST_REJECT_NULL(static_cast<const char*>(T.changed_prot));
1310                        TEST_EXPECT_DIFFERENT(T.original_prot, T.changed_prot);
1311                        TEST_EXPECT_EQUAL(PROSEQ(T.species_name), T.changed_prot);
1312                        break;
1313                }
1314            }
1315            TEST_ANNOTATE(NULp);
1316
1317            ta.close("dont commit");
1318        }
1319
1320        // -----------------------------
1321        //      provoke some errors
1322
1323        GBDATA *gb_TaxOcell;
1324        // unmark all but gb_TaxOcell
1325        {
1326            GB_transaction ta(gb_main);
1327
1328            gb_TaxOcell = GBT_find_species(gb_main, "TaxOcell");
1329            TEST_REJECT_NULL(gb_TaxOcell);
1330
1331            GBT_mark_all(gb_main, 0);
1332            GB_write_flag(gb_TaxOcell, 1);
1333        }
1334
1335        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1336
1337        // wrong alignment type
1338        {
1339            msgs  = "";
1340            error = ALI_realign_marked(gb_main, "ali_dna", "ali_pro", neededLength, false, false);
1341            TEST_EXPECT_ERROR_CONTAINS(error, "Invalid source alignment type");
1342            TEST_EXPECT_EQUAL(msgs, "");
1343        }
1344
1345        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1346
1347        GBDATA *gb_TaxOcell_amino;
1348        GBDATA *gb_TaxOcell_dna;
1349        {
1350            GB_transaction ta(gb_main);
1351            gb_TaxOcell_amino = GBT_find_sequence(gb_TaxOcell, "ali_pro");
1352            gb_TaxOcell_dna   = GBT_find_sequence(gb_TaxOcell, "ali_dna");
1353        }
1354        TEST_REJECT_NULL(gb_TaxOcell_amino);
1355        TEST_REJECT_NULL(gb_TaxOcell_dna);
1356
1357        // -----------------------------------------
1358        //      document some existing behavior
1359        {
1360            struct realign_check {
1361                const char  *seq;
1362                const char  *result;
1363                bool         cutoff;
1364                TransResult  retranslation;
1365                const char  *changed_prot; // if changed by translation (NULp for SAME)
1366            };
1367
1368            realign_check seq[] = {
1369                //"XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-.." // original aa sequence
1370                // { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..", "sdfjlksdjf" }, // templ
1371                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G..........", false, CHANGED, // original
1372                  "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX..." }, // ok - only changes gaptype at EOS
1373
1374                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHG.....", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCTG...........", false, CHANGED, // missing some AA at right end (extra DNA gets no longer truncated!)
1375                  "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX..." }, // ok - adds translation of extra DNA (DNA should never be modified by realigner!)
1376                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHG.....", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGT...............", true,  SAME, NULp }, // missing some AA at right end -> cutoff DNA
1377
1378                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYH-----..", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCTG...........", false, CHANGED,
1379                  "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX..." }, // ok - adds translation of extra DNA
1380                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCY---H....", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTAT---------CACCACGGTGCTG..", false, CHANGED, // rightmost possible position of 'H' (see failing test below)
1381                  "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCY---HHGAX" }, // ok - adds translation of extra DNA
1382
1383                { "---SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..", "-ATGGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G..........", false, CHANGED, // missing some AA at left end (extra DNA gets detected now)
1384                  "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX..." }, // ok - adds translation of extra DNA (start of alignment)
1385                { "...SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX...", ".........AGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G..........", true,  SAME, NULp }, // missing some AA at left end -> cutoff DNA
1386
1387
1388                { "XG*SNFXXXXXXAXXXNHRHDXXXXXXPRQNDSDRCYHHGAX", "AT-GGCTAAAGAAACTTT-TG-AC-CG-GT-CCAA-GCC-GC-ACGT-AAACATCGGCACGAT-CG-GT-CA-CG-TGGA-CCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G.", false, SAME, NULp },
1389                { "XG*SNFWPVQAARNHRHD-XXXXXX-PRQNDSDRCYHHGAX-", "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT---CG-GT-CA-CG-TG-GA----CCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G....", false, CHANGED,
1390                  "XG*SNFWPVQAARNHRHD-XXXXXX-PRQNDSDRCYHHGAX." }, // ok - only changes gaptype at EOS
1391                { "XG*SNXLXRXQA-ARNHRHD-RXXVX-PRQNDSDRCYHHGAX", "AT-GGCTAAAGAAACTT-TTGAC-CGGTC-CAAGCC---GCACGTAAACATCGGCACGAT---CGG-TCAC-GTG-GA---CCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G.", false, SAME, NULp },
1392                { "XG*SXXFXDXVQAXT*TSARXRSXVX-PRQNDSDRCYHHGAX", "AT-GGCTAAAGA-A-AC-TTT-T-GACCG-GTCCAAGCCGC-ACGTAAACATCGGCACGA-T-CGGTCA-C-GTG-GA---CCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G.", false, SAME, NULp },
1393                // -------------------------------------------- "123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123123"
1394
1395                { NULp, NULp, false, SAME, NULp }
1396            };
1397
1398            int   arb_transl_table, codon_start;
1399            char *org_dna;
1400            {
1401                GB_transaction ta(gb_main);
1402                TEST_EXPECT_NO_ERROR(translate_getInfo(gb_TaxOcell, arb_transl_table, codon_start));
1403                TEST_EXPECT_EQUAL(translation_info(gb_TaxOcell), "t=14,cs=0");
1404                org_dna = GB_read_string(gb_TaxOcell_dna);
1405            }
1406
1407            for (int s = 0; seq[s].seq; ++s) {
1408                TEST_ANNOTATE(GBS_global_string("s=%i", s));
1409                realign_check& S = seq[s];
1410
1411                {
1412                    GB_transaction ta(gb_main);
1413                    TEST_EXPECT_NO_ERROR(GB_write_string(gb_TaxOcell_amino, S.seq));
1414                }
1415                msgs  = "";
1416                error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, S.cutoff);
1417                TEST_EXPECT_NO_ERROR(error);
1418                TEST_EXPECT_EQUAL(msgs, "");
1419                {
1420                    GB_transaction ta(gb_main);
1421                    TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_TaxOcell_dna), S.result);
1422
1423                    // test retranslation:
1424                    msgs  = "";
1425                    error = ALI_translate_marked(gb_main, true, false, 0, true, "ali_dna", "ali_pro");
1426                    TEST_EXPECT_NO_ERROR(error);
1427                    if (s == 10) {
1428                        TEST_EXPECT_EQUAL(msgs, "codon_start and transl_table entries were found for all translated taxa\n1 taxa converted\n  2.000000 stops per sequence found\n");
1429                    }
1430                    else if (s == 6) {
1431                        TEST_EXPECT_EQUAL(msgs, "codon_start and transl_table entries were found for all translated taxa\n1 taxa converted\n  0.000000 stops per sequence found\n");
1432                    }
1433                    else {
1434                        TEST_EXPECT_EQUAL(msgs, "codon_start and transl_table entries were found for all translated taxa\n1 taxa converted\n  1.000000 stops per sequence found\n");
1435                    }
1436
1437                    switch (S.retranslation) {
1438                        case SAME:
1439                            TEST_EXPECT_NULL(S.changed_prot);
1440                            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_TaxOcell_amino), S.seq);
1441                            break;
1442                        case CHANGED:
1443                            TEST_REJECT_NULL(S.changed_prot);
1444                            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_TaxOcell_amino), S.changed_prot);
1445                            break;
1446                    }
1447
1448                    TEST_EXPECT_EQUAL(translation_info(gb_TaxOcell), "t=14,cs=0");
1449                    TEST_EXPECT_NO_ERROR(GB_write_string(gb_TaxOcell_dna, org_dna)); // restore changed DB entry
1450                }
1451            }
1452            TEST_ANNOTATE(NULp);
1453
1454            free(org_dna);
1455        }
1456
1457        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1458
1459        // ----------------------------------------------------
1460        //      write some aa sequences provoking failures
1461        {
1462            struct realign_fail {
1463                const char *seq;
1464                const char *failure;
1465            };
1466
1467#define ERRPREFIX     "Automatic re-align failed for 'TaxOcell'\nReason: "
1468#define ERRPREFIX_LEN 49
1469
1470#define FAILONE "All marked species failed to realign\n"
1471
1472            // dna of TaxOcell:
1473            // "AT-GGCTAAAGAAACTTTTGACCGGTCCAAGCCGCACGTAAACATCGGCACGAT------CGGTCACGTGGACCACGGCAAAACGACTCTGACCGCTGCTATCACCACGGTGCT-G----......"
1474
1475            realign_fail seq[] = {
1476                //"XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-.." // original aa sequence
1477                // { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..", "sdfjlksdjf" }, // templ
1478
1479                // wanted realign failures:
1480                { "XG*SNFXXXXXAXNHRHD--XXX-PRQNDSDRCYHHGAX-..", "Sync behind 'X' failed foremost with: 'GGA' translates to 'G', not to 'P' at ali_pro:25 / ali_dna:70\n" FAILONE },    // ok to fail: 5 Xs impossible
1481                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX-..", "Alignment 'ali_dna' is too short (increase its length to 252)\n" FAILONE }, // ok to fail: wrong alignment length
1482                { "XG*SNFWPVQAARNHRHD--XXX-PRQNDSDRCYHHGAX-..", "Sync behind 'X' failed foremost with: 'GGA' translates to 'G', not to 'P' at ali_pro:25 / ali_dna:70\n" FAILONE },    // ok to fail
1483                { "XG*SNX-A-X-ARNHRHD--XXX-PRQNDSDRCYHHGAX-..", "Sync behind 'X' failed foremost with: 'TGA' never translates to 'A' at ali_pro:8 / ali_dna:19\n" FAILONE },           // ok to fail
1484                { "XG*SXFXPXQAXRNHRHD--RSRGPRQNDSDRCYHHGAX-..", "Sync behind 'X' failed foremost with: 'ACG' translates to 'T', not to 'R' at ali_pro:13 / ali_dna:36\n" FAILONE },    // ok to fail
1485                { "XG*SNFWPVQAARNHRHD-----GPRQNDSDRCYHHGAX-..", "Sync behind 'X' failed foremost with: 'CGG' translates to 'R', not to 'G' at ali_pro:24 / ali_dna:61\n" FAILONE },    // ok to fail: some AA missing in the middle
1486                { "XG*SNFWPVQAARNHRHDRSRGPRQNDSDRCYHHGAXHHGA.", "Sync behind 'X' failed foremost with: not enough nucs left for codon of 'H' at ali_pro:38 / ali_dna:117\n" FAILONE }, // ok to fail: too many AA
1487                { "XG*SNFWPVQAARNHRHD--RSRGPRQNDSDRCY----H...", "Sync behind 'X' failed foremost with: too much trailing DNA (10 nucs, but only 9 columns left) at ali_pro:43 / ali_dna:106\n" FAILONE }, // ok to fail: not enough space to place extra nucs behind 'H'
1488                { "--SNFWPVQAARNHRHD--RSRGPRQNDSDRCYHHGAX--..", "Not enough gaps to place 8 extra nucs at start of sequence at ali_pro:1 / ali_dna:1\n" FAILONE }, // also see related, succeeding test above (which has same AA seq; just one more leading gap)
1489
1490                // failing realignments that should work:
1491
1492                { NULp, NULp }
1493            };
1494
1495            {
1496                GB_transaction ta(gb_main);
1497                TEST_EXPECT_EQUAL(translation_info(gb_TaxOcell), "t=14,cs=0");
1498            }
1499
1500            for (int s = 0; seq[s].seq; ++s) {
1501                TEST_ANNOTATE(GBS_global_string("s=%i", s));
1502                {
1503                    GB_transaction ta(gb_main);
1504                    TEST_EXPECT_NO_ERROR(GB_write_string(gb_TaxOcell_amino, seq[s].seq));
1505                }
1506                msgs  = "";
1507                error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, false);
1508                TEST_EXPECT_NO_ERROR(error);
1509                TEST_EXPECT_CONTAINS(msgs, ERRPREFIX);
1510                TEST_EXPECT_EQUAL(msgs.c_str()+ERRPREFIX_LEN, seq[s].failure);
1511
1512                {
1513                    GB_transaction ta(gb_main);
1514                    TEST_EXPECT_EQUAL(translation_info(gb_TaxOcell), "t=14,cs=0"); // should not change if error
1515                }
1516            }
1517            TEST_ANNOTATE(NULp);
1518        }
1519
1520        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1521
1522        // ----------------------------------------------
1523        //      some examples for given DNA/AA pairs
1524
1525        {
1526            struct explicit_realign {
1527                const char *acids;
1528                const char *dna;
1529                int         table;
1530                const char *info;
1531                const char *msgs;
1532            };
1533
1534            // YTR (=X(2,9,16), =L(else))
1535            //     CTA (=T(2),        =L(else))
1536            //     CTG (=T(2), =S(9), =L(else))
1537            //     TTA (=*(16),       =L(else))
1538            //     TTG (=L(always))
1539            //
1540            // AAR (=X(6,11,14), =K(else))
1541            //     AAA (=N(6,11,14), =K(else))
1542            //     AAG (=K(always))
1543            //
1544            // ATH (=X(1,2,4,10,14), =I(else))
1545            //     ATA (=M(1,2,4,10,14), =I(else))
1546            //     ATC (=I(always))
1547            //     ATT (=I(always))
1548            //
1549            // (above notes do not consider newer code-tables)
1550            // tables defined here -> ../PRONUC/AP_codon_table.cxx@AWT_Codon_Code_Definition
1551
1552            const char*const NO_TI = "t=-1,cs=-1";
1553
1554            explicit_realign example[] = {
1555                // use arb-code-numbers here (-1 means all tables allowed)
1556                // "t=NR,cs=POS" tests the translation_info (entries saved to species by realigner)
1557                // - POS is the codon_start position
1558                // - NR is the translation table (TTIT_ARB; DB contains embl number!)
1559
1560                { "LK", "TTGAAG", -1, NO_TI,        NULp }, // fine (for any table)
1561
1562                { "G",  "RGG",    -1, "t=10,cs=0",  NULp }, // correctly detects TI(10)
1563
1564
1565                { "LK",  "YTRAAR",    2,  "t=2,cs=0",  "Not all IUPAC-combinations of 'YTR' translate to 'L' (for trans-table 3) at ali_pro:1 / ali_dna:1\n" }, // expected failure (CTA->T for table=2)
1566                { "LX",  "YTRAAR",    -1, NO_TI,       NULp }, // fine (AAR->X for table=6,11,14)
1567                { "LXX", "YTRAARATH", -1, "t=14,cs=0", NULp }, // correctly detects TI(14)
1568                { "LXI", "YTRAARATH", -1, NO_TI,       NULp }, // fine (for table=6,11)
1569
1570                { "LX", "YTRAAR", 2,  "t=2,cs=0",   "Not all IUPAC-combinations of 'YTR' translate to 'L' (for trans-table 3) at ali_pro:1 / ali_dna:1\n" }, // expected failure (AAR->K for table=2)
1571                { "LK", "YTRAAR", -1, NO_TI,        NULp }, // fine           (AAR->K for table!=6,11,14)
1572                { "LK", "YTRAAR", 6,  "t=6,cs=0",   "Not all IUPAC-combinations of 'AAR' translate to 'K' (for trans-table 9) at ali_pro:2 / ali_dna:4\n" }, // expected failure (AAA->N for table=6)
1573                { "XK", "YTRAAR", -1, NO_TI,        NULp }, // fine           (YTR->X for table=2,9,16)
1574
1575                { "XX",   "-YTRAAR",      0,  "t=0,cs=0", NULp },                                                                                             // does not fail because it realigns such that it translates back to 'XXX'
1576                { "XXL",  "YTRAARTTG",    0,  "t=0,cs=0", "Not enough gaps to place 2 extra nucs at start of sequence at ali_pro:1 / ali_dna:1\n" },          // expected failure (none can translate to X with table= 0, so it tries )
1577                { "-XXL", "-YTRA-AR-TTG", 0,  "t=0,cs=0", NULp },                                                                                             // does not fail because it realigns such that it translates back to 'XXXL'
1578                { "IXXL", "ATTYTRAARTTG", 0,  "t=0,cs=0", "Sync behind 'X' failed foremost with: 'RTT' never translates to 'L' (for trans-table 1) at ali_pro:4 / ali_dna:9\n" }, // expected failure (none of the 2 middle codons can translate to X with table= 0)
1579                { "XX",   "-YTRAAR",      -1, NO_TI,      NULp },                                                                                             // does not fail because it realigns such that it translates back to 'XXX'
1580                { "IXXL", "ATTYTRAARTTG", -1, NO_TI,      "Sync behind 'X' failed foremost with: 'RTT' never translates to 'L' at ali_pro:4 / ali_dna:9\n" }, // expected failure (not both 2 middle codons can translate to X with same table)
1581
1582                { "LX", "YTRATH", -1, NO_TI,        NULp }, // fine                (ATH->X for table=1,2,4,10,14)
1583                { "LX", "YTRATH", 2,  "t=2,cs=0",   "Not all IUPAC-combinations of 'YTR' translate to 'L' (for trans-table 3) at ali_pro:1 / ali_dna:1\n" }, // expected failure (YTR->X for table=2)
1584                { "XX", "YTRATH", 2,  "t=2,cs=0",   NULp }, // fine                (both->X for table=2)
1585                { "XX", "YTRATH", -1, "t=2,cs=0",   NULp }, // correctly detects TI(2)
1586
1587                // ATH<->X for 2,10,14
1588
1589                { "XX", "AARATH", 14, "t=14,cs=0",  NULp }, // fine (both->X for table=14)
1590                { "XX", "AARATH", -1, "t=14,cs=0",  NULp }, // correctly detects TI(14)
1591                { "KI", "AARATH", -1, NO_TI,        NULp }, // fine (for table!=1,2,4,6,10,11,14)
1592                { "KI", "AARATH", 4,  "t=4,cs=0",   "Not all IUPAC-combinations of 'ATH' translate to 'I' (for trans-table 5) at ali_pro:2 / ali_dna:4\n" }, // expected failure (ATH->X for table=4)
1593                { "BX", "AAWATH", -1, "t=14,cs=0",  NULp }, // AAW<->B for 6,11,14               -> intersects to code=14
1594                { "RX", "AGRATH", -1, "t=2,cs=0",   NULp }, // AGR<->R for 2+... (but not 10,14) -> intersects to code=2
1595                { "MX", "TTGATH", -1, "t=10,cs=0",  NULp }, // TTG<->M for 10+... (but not 2,14) -> intersects to code=10
1596
1597                { "XI", "AARATH", 14, "t=14,cs=0",  "Sync behind 'X' failed foremost with: Not all IUPAC-combinations of 'ATH' translate to 'I' (for trans-table 21) at ali_pro:2 / ali_dna:4\n" }, // expected failure (ATH->X for table=14)
1598                { "KI", "AARATH", 14, "t=14,cs=0",  "Not all IUPAC-combinations of 'AAR' translate to 'K' (for trans-table 21) at ali_pro:1 / ali_dna:1\n" }, // expected failure (AAR->X for table=14)
1599
1600                // ------------------------------------------------------------------------------------
1601                //      tests realigning optional-stop-codons (and their alternative translation):
1602
1603                // test table 20 (embl 27): TGA is 'W' or '*'
1604                { "W*", "TGATGA", 20,  "t=20,cs=0",   NULp },
1605
1606                // test table 24 (embl 31): TAG and TAA <-> E or *
1607                { "E*", "TAGTAG", 24,  "t=24,cs=0",   NULp },
1608                { "E*", "TAATAA", 24,  "t=24,cs=0",   NULp },
1609                { "E*", "TARTAR", 24,  "t=24,cs=0",   NULp }, // R = AG
1610
1611                // test table 21 (embl 28): TGA<->*W ; TGG<->W  ; => TGR<-> W or *
1612                { "W*", "TGATGA", 21,  "t=21,cs=0",   NULp },
1613                { "W*", "TGGTGG", 21,  "t=21,cs=0",   "'TGG' translates to 'W', not to '*' at ali_pro:2 / ali_dna:4\n" }, // wanted (TGG is 'W' only)
1614                { "W*", "TGRTGR", 21,  "t=21,cs=0",   "Not all IUPAC-combinations of 'TGR' translate to '*' (for trans-table 28) at ali_pro:2 / ali_dna:4\n" }, // TGR is 'W' only; but TGR may be TGA which may translate to '*' (@@@ so realigner could accept it. rethink!)
1615
1616                //  "TTTTTTTTTTTTTTTTCCCCCCCCCCCCCCCCAAAAAAAAAAAAAAAAGGGGGGGGGGGGGGGG"  base1
1617                //  "TTTTCCCCAAAAGGGGTTTTCCCCAAAAGGGGTTTTCCCCAAAAGGGGTTTTCCCCAAAAGGGG"  base2
1618                //  "TCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAGTCAG"  base3
1619                //  "--2M--*---**--*----M------------MMMM----------**---M------------"  (= startStopSummary)
1620                //  "  ?!  -   ??  ?    !            !!?-          --   !            "  (= optionality: !=all start/stop optional; -=no start/stop optional, ?=mixed)
1621
1622                // tests for optional start codons:
1623                { "MI", "ATTATT", 8,  "t=8,cs=0",   NULp },
1624                { "MI", "ATCATC", 8,  "t=8,cs=0",   NULp },
1625                { "MI", "ATAATA", 8,  "t=8,cs=0",   NULp },
1626                { "MI", "ATGATG", 8,  "t=8,cs=0",   "'ATG' translates to 'M', not to 'I' at ali_pro:2 / ali_dna:4\n" }, // non-optional start-codon
1627                { "MM", "ATGATG", 8,  "t=8,cs=0",   NULp }, // non-optional start-codon
1628                { "MI", "ATWATW", 8,  "t=8,cs=0",   NULp }, // W = TA
1629                { "MI", "ATHATH", 8,  "t=8,cs=0",   NULp }, // H = TCA
1630                { "MI", "ATBATB", 8,  "t=8,cs=0",   "Not all IUPAC-combinations of 'ATB' translate to 'I' (for trans-table 11) at ali_pro:2 / ali_dna:4\n" }, // B = TCG (wanted failure; ATG is non-optional)
1631
1632                // test combined (non-)optional start/stop (see '2' in startStopSummary -> only TTA) [TTA_AMBIGUITY]
1633                { "LL", "TTATTA", -1,  "t=-1,cs=-1", NULp }, // no start or stop
1634                { "ML", "TTATTA", -1,  "t=3,cs=0",   NULp }, // start (optional) for code 3
1635                { "**", "TTATTA", -1,  "t=16,cs=0",  NULp }, // stop (not optional) for code 16
1636                { "*L", "TTATTA", -1,  "t=-1,cs=-1", "'TTA' does not translate to 'L' (for trans-table 23) at ali_pro:2 / ali_dna:4\n" }, // wanted fail (stop is not optional -> 'L' not possible)
1637                { "*M", "TTATTA", -1,  "t=-1,cs=-1", "'TTA' does not translate to 'M' (for trans-table 23) at ali_pro:2 / ali_dna:4\n" }, // wanted fail (stop is not optional -> 'M' and '*' not possible together)
1638                { "M*", "TTATTA", -1,  "t=-1,cs=-1", "'TTA' does not translate to '*' (for trans-table 4) at ali_pro:2 / ali_dna:4\n" },  // wanted fail (dito)
1639
1640                { NULp, NULp, 0, NULp, NULp }
1641            };
1642
1643            for (int e = 0; example[e].acids; ++e) {
1644                const explicit_realign& E = example[e];
1645                TEST_ANNOTATE(GBS_global_string("%s <- %s (#%i)", E.acids, E.dna, E.table));
1646
1647                {
1648                    GB_transaction ta(gb_main);
1649                    TEST_EXPECT_NO_ERROR(GB_write_string(gb_TaxOcell_dna, E.dna));
1650                    TEST_EXPECT_NO_ERROR(GB_write_string(gb_TaxOcell_amino, E.acids));
1651                    if (E.table == -1) {
1652                        TEST_EXPECT_NO_ERROR(translate_removeInfo(gb_TaxOcell));
1653                    }
1654                    else {
1655                        TEST_EXPECT_NO_ERROR(translate_saveInfo(gb_TaxOcell, E.table, 0));
1656                    }
1657                }
1658
1659                msgs  = "";
1660                error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, false);
1661                TEST_EXPECT_NULL(error);
1662                if (E.msgs) {
1663                    TEST_EXPECT_CONTAINS(msgs, ERRPREFIX);
1664                    string wanted_msgs = string(E.msgs)+FAILONE;
1665                    TEST_EXPECT_EQUAL(msgs.c_str()+ERRPREFIX_LEN, wanted_msgs);
1666                }
1667                else {
1668                    TEST_EXPECT_EQUAL(msgs, "");
1669                }
1670
1671                GB_transaction ta(gb_main);
1672                if (!error) {
1673                    const char *dnaseq      = GB_read_char_pntr(gb_TaxOcell_dna);
1674                    size_t      expextedLen = strlen(E.dna);
1675                    size_t      seqlen      = strlen(dnaseq);
1676                    char       *firstPart   = ARB_strndup(dnaseq, expextedLen);
1677                    size_t      dna_behind;
1678                    char       *nothing     = unalign(dnaseq+expextedLen, seqlen-expextedLen, dna_behind);
1679
1680                    TEST_EXPECT_EQUAL(firstPart, E.dna);
1681                    TEST_EXPECT_EQUAL(dna_behind, 0);
1682                    TEST_EXPECT_EQUAL(nothing, "");
1683
1684                    free(nothing);
1685                    free(firstPart);
1686                }
1687                TEST_EXPECT_EQUAL(translation_info(gb_TaxOcell), E.info);
1688            }
1689        }
1690
1691        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1692
1693        // ----------------------------------
1694        //      invalid translation info
1695        {
1696            GB_transaction ta(gb_main);
1697
1698            TEST_EXPECT_NO_ERROR(translate_saveInfo(gb_TaxOcell, 14, 0));
1699            GBDATA *gb_trans_table = GB_entry(gb_TaxOcell, "transl_table");
1700            TEST_EXPECT_NO_ERROR(GB_write_string(gb_trans_table, "666")); // evil translation table
1701        }
1702
1703        msgs  = "";
1704        error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, false);
1705        TEST_EXPECT_NO_ERROR(error);
1706        TEST_EXPECT_EQUAL(msgs, ERRPREFIX "Error while reading 'transl_table' (Illegal (or unsupported) value (666) in 'transl_table' (item='TaxOcell'))\n" FAILONE);
1707        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1708
1709        // ---------------------------------------
1710        //      source/dest alignment missing
1711        for (int i = 0; i<2; ++i) {
1712            TEST_ANNOTATE(GBS_global_string("i=%i", i));
1713
1714            {
1715                GB_transaction  ta(gb_main);
1716                GBDATA         *gb_ali = GB_get_father(GBT_find_sequence(gb_TaxOcell, i ? "ali_pro" : "ali_dna"));
1717
1718                GB_topSecurityLevel unsecured(gb_main);
1719                TEST_EXPECT_NO_ERROR(GB_delete(gb_ali));
1720            }
1721
1722            msgs  = "";
1723            error = ALI_realign_marked(gb_main, "ali_pro", "ali_dna", neededLength, false, false);
1724            TEST_EXPECT_NO_ERROR(error);
1725            if (i) {
1726                TEST_EXPECT_EQUAL(msgs, ERRPREFIX "No data in alignment 'ali_pro'\n" FAILONE);
1727            }
1728            else {
1729                TEST_EXPECT_EQUAL(msgs, ERRPREFIX "No data in alignment 'ali_dna'\n" FAILONE);
1730            }
1731        }
1732        TEST_ANNOTATE(NULp);
1733
1734        TEST_EXPECT_EQUAL(GBT_count_marked_species(gb_main), 1);
1735    }
1736
1737#undef ERRPREFIX
1738#undef ERRPREFIX_LEN
1739
1740    GB_close(gb_main);
1741    ARB_install_handlers(*old_handlers);
1742}
1743
1744static const char *permOf(const Distributor& dist) {
1745    const int   MAXDIST = 10;
1746    static char buffer[MAXDIST+1];
1747
1748    ali_assert(dist.size() <= MAXDIST);
1749    for (int p = 0; p<dist.size(); ++p) {
1750        buffer[p] = '0'+dist[p];
1751    }
1752    buffer[dist.size()] = 0;
1753
1754    return buffer;
1755}
1756
1757static arb_test::match_expectation stateOf(Distributor& dist, const char *expected_perm, bool hasNext) {
1758    using namespace arb_test;
1759
1760    expectation_group expected;
1761    expected.add(that(permOf(dist)).is_equal_to(expected_perm));
1762    expected.add(that(dist.next()).is_equal_to(hasNext));
1763    return all().ofgroup(expected);
1764}
1765
1766void TEST_distributor() {
1767    TEST_EXPECT_EQUAL(Distributor(3, 2).get_error(), "not enough nucleotides");
1768    TEST_EXPECT_EQUAL(Distributor(3, 10).get_error(), "too much nucleotides");
1769
1770    Distributor minDist(3, 3);
1771    TEST_EXPECTATION(stateOf(minDist, "111", false));
1772
1773    Distributor maxDist(3, 9);
1774    TEST_EXPECTATION(stateOf(maxDist, "333", false));
1775
1776    Distributor meanDist(3, 6);
1777    TEST_EXPECTATION(stateOf(meanDist, "123", true));
1778    TEST_EXPECTATION(stateOf(meanDist, "132", true));
1779    TEST_EXPECTATION(stateOf(meanDist, "213", true));
1780    TEST_EXPECTATION(stateOf(meanDist, "222", true));
1781    TEST_EXPECTATION(stateOf(meanDist, "231", true));
1782    TEST_EXPECTATION(stateOf(meanDist, "312", true));
1783    TEST_EXPECTATION(stateOf(meanDist, "321", false));
1784
1785    Distributor belowMax(4, 11);
1786    TEST_EXPECTATION(stateOf(belowMax, "2333", true));
1787    TEST_EXPECTATION(stateOf(belowMax, "3233", true));
1788    TEST_EXPECTATION(stateOf(belowMax, "3323", true));
1789    TEST_EXPECTATION(stateOf(belowMax, "3332", false));
1790
1791    Distributor aboveMin(4, 6);
1792    TEST_EXPECTATION(stateOf(aboveMin, "1113", true));
1793    TEST_EXPECTATION(stateOf(aboveMin, "1122", true));
1794    TEST_EXPECTATION(stateOf(aboveMin, "1131", true));
1795    TEST_EXPECTATION(stateOf(aboveMin, "1212", true));
1796    TEST_EXPECTATION(stateOf(aboveMin, "1221", true));
1797    TEST_EXPECTATION(stateOf(aboveMin, "1311", true));
1798    TEST_EXPECTATION(stateOf(aboveMin, "2112", true));
1799    TEST_EXPECTATION(stateOf(aboveMin, "2121", true));
1800    TEST_EXPECTATION(stateOf(aboveMin, "2211", true));
1801    TEST_EXPECTATION(stateOf(aboveMin, "3111", false));
1802
1803    Distributor check(6, 8);
1804    TEST_EXPECTATION(stateOf(check, "111113", true));
1805    TEST_EXPECTATION(stateOf(check, "111122", true));
1806    TEST_EXPECTATION(stateOf(check, "111131", true));
1807    TEST_EXPECTATION(stateOf(check, "111212", true));
1808    TEST_EXPECTATION(stateOf(check, "111221", true));
1809    TEST_EXPECTATION(stateOf(check, "111311", true));
1810    TEST_EXPECTATION(stateOf(check, "112112", true));
1811    TEST_EXPECTATION(stateOf(check, "112121", true));
1812    TEST_EXPECTATION(stateOf(check, "112211", true));
1813    TEST_EXPECTATION(stateOf(check, "113111", true));
1814    TEST_EXPECTATION(stateOf(check, "121112", true));
1815    TEST_EXPECTATION(stateOf(check, "121121", true));
1816    TEST_EXPECTATION(stateOf(check, "121211", true));
1817    TEST_EXPECTATION(stateOf(check, "122111", true));
1818    TEST_EXPECTATION(stateOf(check, "131111", true));
1819    TEST_EXPECTATION(stateOf(check, "211112", true));
1820    TEST_EXPECTATION(stateOf(check, "211121", true));
1821    TEST_EXPECTATION(stateOf(check, "211211", true));
1822    TEST_EXPECTATION(stateOf(check, "212111", true));
1823    TEST_EXPECTATION(stateOf(check, "221111", true));
1824    TEST_EXPECTATION(stateOf(check, "311111", false));
1825}
1826
1827#endif // UNIT_TESTS
1828
1829// --------------------------------------------------------------------------------
1830
Note: See TracBrowser for help on using the repository browser.