8月第1週の勤務

DBCLS

目標：PubMedの論文と，書かれている次世代シーケンサーの実験ID(SRA)の対応を取りたい．

今週やったこと

1. 論文が出た時にはSRAのデータベースがなく，GEOのIDが書かれているものがあるかも．論文から抽出したGEOのIDを，SRAに変換してみる．


2. 論文検索で投げるクエリを考えてみる．これまで抽出した結果から，次世代シーケンサーのIDが書かれているものに共通の特徴はないか？

結果

1. "illumina"でクエリを投げてID抽出した結果を使って変換してみる．GEOのIDか書かれていた論文("GSE"を含むIDが書かれているもの)で，GEO -> SRA変換できたものは139本中16本．ただし，1本の論文に複数のGEOのIDが書かれているものがほとんどで，GSE -> SRA変換した個数は143個．(139本の論文からは187個のGEOのIDを抽出．)
結果のファイルはillumina_gse_sra.tab，"GEOのID"，"PMCのID"，"PubMedのID"，"GSE->SRA変換したID"の順番．


2. PubMedには，meshという論文のキーワード的なものが付けられている．次世代シーケンサーのIDが書かれているものに多く出てくるmeshのワードを調べる．
今週作成したのは，1つの論文に付与されているmeshを出力するところまで．
入力：pubmedのxmlファイル．結果：付与されているmesh．こんな感じ↓



$ java -cp ./bin GetMesh pubmed11244113.xml 

Quantitative Trait, Heritable

Cereals

Physical Chromosome Mapping

Poaceae

DNA Fingerprinting

Genome, Plant

次回

  • 1.のGEO -> SRAの変換を手作業で行ったので，ID抽出の時に同時に行う様に変更．これまで解析してきた他のものも解析し直したい．
  • PubMedのIDを複数入力して，付与されているmeshの個数を出力するプログラムを書く．