8月第2週の勤務

DBCLS

今週行った事

1.illlumina，http://www.454.com/publications-and-resources/all-publications.aspの文献リストから実験IDを抽出し，GEOのIDをSRAのIDに変換．
2.SRAのIDを抽出できたPubMedの論文から，meshが現れる頻度を求める．


1. GEO -> SRAの変換
実験IDの抽出は以前行ったが，取り漏らしがありそうだったので再抽出する．
文献リストからPubMedIDを抜き取る．論文リストのhtmlファイルから，文字列'ncbi'がある行に並んでいる数字をファイルに出力する．



$ grep 'ncbi' (論文リストが載っているhtmlファイル) | grep -o -E '[0-9]+' | sort | uniq > （抽出したPubMedのIDを出力するファイル）
結果のファイルに明らかに異なる数字(日付など)があったので，これらは手作業で除く．
PubMedのIDから，論文中の実験IDとSRAへ変換したIDを出力するプログラムを作成する．
出力結果は，PubMedID・PMCID・PubMedから抽出したIDのDB名・PubMedから抽出したID・PMC本文から抽出したID・SRAに変換したID．


18326688    2493403  GEO       GSE10115        -            -

18329356    -        -         -               -            -

18329373    -        GEO       GSE10437        -            SRA000234

19146710    2687794  -         -               GSE12640     SRA008248


2. PubMedからmeshの頻度を求める
目的は，SRAのIDがありそうな論文の傾向を調べる事．
PubMedのxmlファイルからmeshを抽出するプログラムは先週作成したので，複数のPubMedIDからmeshの個数をカウントして出力するプログラムを作成．結果は，現れたmeshとその回数．



Transcription Initiation Site	3

Polymorphism, Single Nucleotide	9

Genes, Bacterial	1

次回

meshの頻度を降順で出力する．
頻度が高いmeshをクエリで投げて取得した論文から，実験IDを抽出する．