#!/usr/bin/env python

# coding: utf-8

# # 発展課題（Python使用）

# - 各遺伝子について、exon領域を “start-end,start-end,…”と出力する処理を実装。NIPBLで例示。

# - 遺伝子のタイプごとにexon数をカウントし、分布をヒストグラムで表示する。

#

# - (とりあえずここまで)

#

# - それぞれの遺伝子ファイルについて、「何らかの方法で」遺伝子の重複を除いた修正ファイルを作成する。

# - ２つの遺伝子ファイル間で共通する遺伝子、共通でない遺伝子がいくつ存在するかカウントする。

# - ２つの遺伝子ファイル間で共通する遺伝子について、 refFlat.hg38.txtにgene typeの列を追加したファイルを作成する。

# In[1]:

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

import seaborn as sns

# ### 各遺伝子について、exon領域を “start-end,start-end,…”と出力する処理を実装。NIPBLで例示。

# In[2]:

UCSC = pd.read_table("refFlat.hg38.txt", skiprows=1, names=('geneName', 'name', 'chrom', 'strand', 'txStart', 'txEnd', 'cdsStart', 'cdsEnd', 'exonCount', 'exonStarts', 'exonEnds'))

UCSC

# そのまま読み込むと、はじめのカラムが#geneNameという名前になってしまう。

# そこで、header部分は読み込まず、namesを使って自分で付けることにした。

# In[3]:

# "geneName" 列の値が NIPBLと一致する行をdfとして取得。

# .copy()にしないと、attribute errorとなる。

NIPBL_UCSC_df = UCSC.query("geneName == 'NIPBL'").copy()

NIPBL_UCSC_df

# cdsEndの異なる二種類が表示される

# In[4]:

# exonStartsごとに、","で分割してみる。仮の"SplitStars"に値を入力。

NIPBL_UCSC_df["SplitStarts"] = NIPBL_UCSC_df["exonStarts"].str.split(",")

NIPBL_UCSC_df["SplitStarts"]

# In[5]:

# exonEndsごとに、","で分割してみる。仮の"SplitEnds"に値を入力。

NIPBL_UCSC_df["SplitEnds"] = NIPBL_UCSC_df["exonEnds"].str.split(",")

NIPBL_UCSC_df["SplitEnds"]

# In[6]:

# exon1の開始点は.str.get(0)で取得できる

NIPBL_UCSC_df["exon1"] = NIPBL_UCSC_df["SplitStarts"].str.get(0)

NIPBL_UCSC_df["exon1"]

# In[7]:

# exon2の開始点は.str.get(1)で取得できる

NIPBL_UCSC_df["exon2"] = NIPBL_UCSC_df["SplitStarts"].str.get(1)

NIPBL_UCSC_df["exon2"]

# In[8]:

# exonCountsを取り出す方法

print(NIPBL_UCSC_df.at[19085, 'exonCount'])

# In[9]:

# for文で、exonCountsの数だけstart-endを表示する

for i in range((NIPBL_UCSC_df.at[19086, 'exonCount'])): #19086行のほうが多いのでこちらを使用

print ("exon"+ str (i+1))

print(NIPBL_UCSC_df["SplitStarts"].str.get(i) + "-" + NIPBL_UCSC_df["SplitEnds"].str.get(i))

# - 最低限こなしたが

# - 19085行と19086行に分けたほうがいいかも知れない

# - 出力を","でつないで、一行で出すべきだったかも

# ### 遺伝子のタイプごとにexon数をカウントし、分布をヒストグラムで表示する。

# In[10]:

# typeのあるデータEnsemblを読み込む

Ensembl = pd.read_table("refFlat.GRCh38.gene.name.txt", names=('geneName', 'name', 'chrom', 'strand', 'txStart', 'txEnd', 'cdsStart', 'cdsEnd', 'exonCount', 'exonStarts', 'exonEnds', 'geneType', 'type'))

# Ensemblにはheaderがないので、names = でheaderを指定

Ensembl

# In[11]:

Ensembl_s = Ensembl.sort_values(['type']) # typeごとにソートする

df = Ensembl_s[["type", "exonCount"]] # 必要な部分のみ取り出す

df

# In[12]:

df.hist(by="type", figsize=(60, 40))

# - 最低限こなしたが

# - 見づらい

# - 42種類多すぎ

# - lncRNA

# - miRNA

# - protein_coding

# - の３つくらいでいいかも

# ### それぞれの遺伝子ファイルについて、「何らかの方法で」遺伝子の重複を除いた修正ファイルを作成する。

# - 重複の原因はisoformなど。

# - 最も良いのは、代表的な転写産物を残すこと（最も広く発現している、最も発現量が多い）だが、それは知る由もない。

# - 次善の策として、最も長い転写産物が機能を持っていそう、、、ということで、「長いものを残す」。

# In[ ]:

# In[ ]:

# In[ ]:

# In[ ]:

# In[ ]:

# In[ ]:

# In[ ]:

# In[ ]:

# In[13]:

# "geneName" 列の値が NIPBLと一致する行を表示

NIPBL_Ensembl_df = Ensembl.query('geneName == "NIPBL"')

NIPBL_Ensembl_df

# Ensemblは代表的なIsoformを抜き出しているので、１行のみ