Feat/lab09 olezhka0809

.github/pull_request_template.md

@@ -1,5 +1,6 @@
 ## PR laborator
 
+
 **Săptămâna:** `1`  *(ex.: 1, 2, 3…)*  
 **Folder lab:** `labs/NN_topic`  *(ex.: labs/01_intro&databases)*  
 **GitHub handle:** `<handle>`  

.gitignore

@@ -53,5 +53,10 @@ build/
 !data/sample/
 !data/sample/**
 data/sample/data_generation_notes.md
+<<<<<<< HEAD
 
-assigments/
+data/work/olezhka0809/lab01/my_tp53_dr_protein.fasta
+
+=======
+data/work/olezhka0809/lab01/my_tp53_dr_protein.fasta
+>>>>>>> faf072e (Lab 2: Create subbmissions folder and add specific files for user olezhka0809)

labs/01_intro&databases/data/brca1.gb

@@ -1,84 +1,49 @@
-LOCUS       NC_060941           84276897 bp    DNA     linear   CON 06-AUG-2025
-DEFINITION  Homo sapiens isolate CHM13 chromosome 17, alternate assembly
-            T2T-CHM13v2.0.
-ACCESSION   NC_060941
-VERSION     NC_060941.1
-DBLINK      BioProject: PRJNA807723
-            BioSample: SAMN03255769
-            Assembly: GCF_009914755.1
-KEYWORDS    RefSeq.
+LOCUS       PX436992                 350 bp    DNA     linear   PRI 07-OCT-2025
+DEFINITION  Homo sapiens isolate AB17 BRCA1 protein (BRCA1) gene, partial cds.
+ACCESSION   PX436992
+VERSION     PX436992.1
+KEYWORDS    .
 SOURCE      Homo sapiens (human)
   ORGANISM  Homo sapiens
             Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi;
             Mammalia; Eutheria; Euarchontoglires; Primates; Haplorrhini;
             Catarrhini; Hominidae; Homo.
-REFERENCE   1  (bases 1 to 84276897)
-  AUTHORS   Nurk,S., Koren,S., Rhie,A., Rautiainen,M., Bzikadze,A.V.,
-            Mikheenko,A., Vollger,M.R., Altemose,N., Uralsky,L., Gershman,A.,
-            Aganezov,S., Hoyt,S.J., Diekhans,M., Logsdon,G.A., Alonge,M.,
-            Antonarakis,S.E., Borchers,M., Bouffard,G.G., Brooks,S.Y.,
-            Caldas,G.V., Chen,N.C., Cheng,H., Chin,C.S., Chow,W., de Lima,L.G.,
-            Dishuck,P.C., Durbin,R., Dvorkina,T., Fiddes,I.T., Formenti,G.,
-            Fulton,R.S., Fungtammasan,A., Garrison,E., Grady,P.G.S.,
-            Graves-Lindsay,T.A., Hall,I.M., Hansen,N.F., Hartley,G.A.,
-            Haukness,M., Howe,K., Hunkapiller,M.W., Jain,C., Jain,M.,
-            Jarvis,E.D., Kerpedjiev,P., Kirsche,M., Kolmogorov,M., Korlach,J.,
-            Kremitzki,M., Li,H., Maduro,V.V., Marschall,T., McCartney,A.M.,
-            McDaniel,J., Miller,D.E., Mullikin,J.C., Myers,E.W., Olson,N.D.,
-            Paten,B., Peluso,P., Pevzner,P.A., Porubsky,D., Potapova,T.,
-            Rogaev,E.I., Rosenfeld,J.A., Salzberg,S.L., Schneider,V.A.,
-            Sedlazeck,F.J., Shafin,K., Shew,C.J., Shumate,A., Sims,Y.,
-            Smit,A.F.A., Soto,D.C., Sovic,I., Storer,J.M., Streets,A.,
-            Sullivan,B.A., Thibaud-Nissen,F., Torrance,J., Wagner,J.,
-            Walenz,B.P., Wenger,A., Wood,J.M.D., Xiao,C., Yan,S.M., Young,A.C.,
-            Zarate,S., Surti,U., McCoy,R.C., Dennis,M.Y., Alexandrov,I.A.,
-            Gerton,J.L., O'Neill,R.J., Timp,W., Zook,J.M., Schatz,M.C.,
-            Eichler,E.E., Miga,K.H. and Phillippy,A.M.
-  TITLE     The complete sequence of a human genome
-  JOURNAL   Science 376 (6588), 44-53 (2022)
-   PUBMED   35357919
-COMMENT     REFSEQ INFORMATION: The reference sequence is identical to
-            CP068261.2.
-            Assembly name: T2T-CHM13v2.0
-            The genomic sequence for this RefSeq record is from the
-            whole-genome assembly released by the T2T Consortium on 2022/01/24.
-
-            ##Genome-Assembly-Data-START##
-            Assembly Provider      :: T2T Consortium
-            Assembly Date          :: 23-APR-2021
-            Assembly Method        :: T2T assembly pipeline + rDNA (see
-                                      manuscript for details) v. 04/23/2021
-            Assembly Name          :: T2T-CHM13v2.0
-            Genome Representation  :: Full
-            Expected Final Version :: No
-            Genome Coverage        :: 30.0x
-            Sequencing Technology  :: PacBio Sequel II HiFi; Oxford Nanopore
-                                      MinION; Illumina NovaSeq
-            ##Genome-Assembly-Data-END##
-
-            ##Genome-Annotation-Data-START##
-            Annotation Provider         :: NCBI RefSeq
-            Annotation Status           :: Updated annotation
-            Annotation Name             :: GCF_009914755.1-RS_2025_08
-            Annotation Pipeline         :: NCBI eukaryotic genome annotation
-                                           pipeline
-            Annotation Software Version :: 10.4
-            Annotation Method           :: Best-placed RefSeq; Gnomon;
-                                           RefSeqFE; cmsearch; tRNAscan-SE
-            Features Annotated          :: Gene; mRNA; CDS; ncRNA
-            Annotation Date             :: 08/01/2025
-            ##Genome-Annotation-Data-END##
+REFERENCE   1  (bases 1 to 350)
+  AUTHORS   Abbas,A.F., Al-Shawi,A.A. and Ali,D.S.
+  TITLE     Direct Submission
+  JOURNAL   Submitted (27-SEP-2025) Department of Chemistry, University of
+            Basrah, Dur Al Thabat, Al Zubair, Basrah +964, Iraq
+COMMENT     ##Assembly-Data-START##
+            Sequencing Technology :: Sanger dideoxy sequencing
+            ##Assembly-Data-END##
 FEATURES             Location/Qualifiers
-     source          1..84276897
+     source          1..350
                      /organism="Homo sapiens"
                      /mol_type="genomic DNA"
-                     /isolate="CHM13"
+                     /isolate="AB17"
                      /db_xref="taxon:9606"
                      /chromosome="17"
-                     /sex="female"
-                     /cell_line="CHM13htert"
-                     /tissue_type="hydatidiform mole"
-                     /note="haploid cell line"
-CONTIG      join(NW_025804937.1:1..84276897)
+                     /geo_loc_name="Iraq: Basrah"
+                     /collection_date="2025-04-01"
+                     /collected_by="Ali Falih Abbas"
+     gene            <1..>350
+                     /gene="BRCA1"
+     mRNA            <30..>113
+                     /gene="BRCA1"
+                     /product="BRCA1 protein"
+     CDS             <30..>113
+                     /gene="BRCA1"
+                     /note="breast cancer 1, early onset"
+                     /codon_start=1
+                     /product="BRCA1 protein"
+                     /protein_id="YAW76721.1"
+                     /translation="HDFEVRGDVVNGRNHQGPKRARESQDRK"
+ORIGIN      
+        1 cctgatgggt tgtgtttggt ttctttcagc atgattttga agtcagagga gatgtggtca
+       61 atggaagaaa ccaccaaggt ccaaagcgag caagagaatc ccaggacaga aaggtaaagc
+      121 tccctccctc aagttgacaa aaatctcacc ccaccactct gtattccact cccctttgca
+      181 gagatgggcc gcttcatttt gtaagactta ttacatacat acacagtgct agatactttc
+      241 acacaggttc ttttttcact cttccatccc aaccacataa ataagtattg tctctacttt
+      301 atgaatgata aaactaagag atttagagag gctgtgtatt ggggattccc
 //
 

labs/01_intro&databases/roster/handles.csv

@@ -15,3 +15,4 @@ Iorga Razvan,razvan-vlad
 Coroiu Samuel,coroiusamy
 Simandan Petra-Ariana,numipasaaa
 Stana Andrei,StanaAndrei
+Garnautan Oleg,olezhka0809

labs/01_intro&databases/submissions/olezhka0809/ex01_multifasta_gc.py

@@ -0,0 +1,239 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+Exercițiu (Lab 1): Descărcare FASTA + calcul GC
+
+Scop:
+  1) Descărcați un fișier FASTA de la NCBI (nucleotide sau proteină).
+  2) Salvați fișierul local în data/work/<handle>/lab01/ (NU îl urcați pe git).
+  3) Calculați fracția GC pentru fiecare înregistrare din fișier.
+
+Instrucțiuni:
+  - Rulați scriptul cu argumentele necesare (exemple):
+      python ex01_multifasta_gc.py --email student@example.com \
+        --query "TP53[Gene] AND Homo sapiens[Organism]" \
+        --retmax 3 \
+        --out data/work/<handle>/lab01/my_tp53.fa
+
+      python ex01_multifasta_gc.py --email student@example.com \
+        --accession NM_000546 \
+        --out data/work/<handle>/lab01/nm000546.fa
+
+  - Pași de completat:
+    1) Configurați Entrez cu email (și api_key opțional).
+    2) Dacă primiți accession → descărcați acel record cu efetch.
+    3) Dacă primiți query → faceți esearch pentru IdList, apoi efetch pentru acele ID-uri.
+    4) Scrieți rezultatele în fișierul dat prin --out.
+    5) Citiți fișierul FASTA local și calculați GC pentru fiecare secvență.
+    6) Afișați rezultatele pe ecran: <id>\tGC=<valoare cu 3 zecimale>.
+"""
+
+import argparse
+from pathlib import Path
+import sys
+
+from Bio import SeqIO
+from Bio import Entrez
+
+
+def gc_fraction(seq: str) -> float:
+    """Fracție GC pentru o secvență; robust la litere mici/mari și non-ATGC."""
+    s = seq.upper()
+    atgc = [c for c in s if c in ("A", "T", "G", "C")]
+    if not atgc:
+        return 0.0
+    g = atgc.count("G")
+    c = atgc.count("C")
+    return (g + c) / float(len(atgc))
+
+
+def download_fasta(email: str, out_path: Path, query: str = None,
+                   accession: str = None, db: str = "nuccore",
+                   retmax: int = 3, api_key: str = None) -> int:
+    """
+    Descarcă secvențe FASTA din NCBI folosind Entrez.
+
+    Args:
+        email: Email obligatoriu pentru NCBI
+        out_path: Path pentru fișierul de output
+        query: Query de căutare (ex: "TP53[Gene] AND Homo sapiens[Organism]")
+        accession: Accession number specific (ex: NM_000546)
+        db: Baza de date NCBI (nuccore sau protein)
+        retmax: Număr maxim de rezultate
+        api_key: API key NCBI (opțional, pentru rate limiting mai bun)
+
+    Returns:
+        Numărul de înregistrări descărcate
+    """
+    # Configurare Entrez
+    Entrez.email = email
+    if api_key:
+        Entrez.api_key = api_key
+
+    try:
+        # Caz 1: Descărcare direct prin accession number
+        if accession:
+            print(f"[info] Descărcare accession: {accession} din {db}")
+            handle = Entrez.efetch(
+                db=db,
+                id=accession,
+                rettype="fasta",
+                retmode="text"
+            )
+            fasta_data = handle.read()
+            handle.close()
+
+            # Scriere în fișier
+            with open(out_path, "w") as f:
+                f.write(fasta_data)
+
+            # Numără înregistrările
+            num_records = fasta_data.count(">")
+            return num_records
+
+        # Caz 2: Căutare cu query și descărcare rezultate
+        elif query:
+            print(f"[info] Căutare query: '{query}' în {db}")
+
+            # Pasul 1: esearch pentru a obține lista de ID-uri
+            search_handle = Entrez.esearch(
+                db=db,
+                term=query,
+                retmax=retmax,
+                usehistory="y"
+            )
+            search_results = Entrez.read(search_handle)
+            search_handle.close()
+
+            id_list = search_results.get("IdList", [])
+            count = int(search_results.get("Count", 0))
+
+            print(f"[info] Găsite {count} rezultate, se descarcă primele {len(id_list)}")
+
+            if not id_list:
+                print("[warning] Nu s-au găsit rezultate pentru acest query!")
+                # Creează fișier gol
+                out_path.touch()
+                return 0
+
+            # Pasul 2: efetch pentru a descărca secvențele
+            fetch_handle = Entrez.efetch(
+                db=db,
+                id=",".join(id_list),
+                rettype="fasta",
+                retmode="text"
+            )
+            fasta_data = fetch_handle.read()
+            fetch_handle.close()
+
+            # Scriere în fișier
+            with open(out_path, "w") as f:
+                f.write(fasta_data)
+
+            return len(id_list)
+
+        else:
+            print("[error] Trebuie să furnizați --query sau --accession!", file=sys.stderr)
+            sys.exit(1)
+
+    except Exception as e:
+        print(f"[error] Eroare la descărcarea din NCBI: {e}", file=sys.stderr)
+        sys.exit(1)
+
+
+def main():
+    ap = argparse.ArgumentParser(
+        description="Descarcă secvențe FASTA din NCBI și calculează conținutul GC",
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog="""
+Exemple de utilizare:
+
+  # Descărcare prin query
+  python ex01_multifasta_gc.py --email student@example.com \
+    --query "TP53[Gene] AND Homo sapiens[Organism]" \
+    --retmax 3 \
+    --out data/work/olezhka0809/lab01/my_tp53.fa
+
+  # Descărcare prin accession
+  python ex01_multifasta_gc.py --email student@example.com \
+    --accession NM_000546 \
+    --out data/work/olezhka0809/lab01/nm000546.fa
+
+  # Descărcare proteine
+  python ex01_multifasta_gc.py --email student@example.com \
+    --query "TP53[Gene] AND Homo sapiens[Organism]" \
+    --db protein \
+    --retmax 5 \
+    --out data/work/olezhka0809/lab01/tp53_proteins.fa
+        """
+    )
+
+    ap.add_argument("--email", required=True, help="Email obligatoriu pentru NCBI Entrez")
+    ap.add_argument("--api_key", help="NCBI API key (opțional)")
+    ap.add_argument("--query", help="Ex: 'TP53[Gene] AND Homo sapiens[Organism]'")
+    ap.add_argument("--accession", help="Ex: NM_000546")
+    ap.add_argument("--db", default="nuccore", choices=["nuccore", "protein"])
+    ap.add_argument("--retmax", type=int, default=3)
+    ap.add_argument("--out", required=True, help="Fișier FASTA de ieșire")
+    args = ap.parse_args()
+
+    # Validare: trebuie să avem query SAU accession
+    if not args.query and not args.accession:
+        print("[error] Trebuie să furnizați --query sau --accession!", file=sys.stderr)
+        ap.print_help()
+        sys.exit(1)
+
+    out_path = Path(args.out)
+    out_path.parent.mkdir(parents=True, exist_ok=True)
+
+    print("=" * 80)
+    print("NCBI FASTA DOWNLOADER & GC CALCULATOR")
+    print("=" * 80)
+
+    # Pasul 1: Descărcare din NCBI
+    n = download_fasta(
+        args.email, 
+        out_path, 
+        query=args.query,
+        accession=args.accession, 
+        db=args.db,
+        retmax=args.retmax, 
+        api_key=args.api_key
+    )
+    print(f"[ok] Am scris {n} înregistrări în: {out_path}")
+
+    # Pasul 2: Citire fișier FASTA local
+    if not out_path.exists() or out_path.stat().st_size == 0:
+        print("[warning] Fișierul este gol sau nu există!")
+        return
+
+    print("\n" + "=" * 80)
+    print("CALCUL CONȚINUT GC")
+    print("=" * 80)
+
+    records = SeqIO.parse(out_path, "fasta")
+
+    # Pasul 3: Calculare și afișare GC pentru fiecare secvență
+    total_records = 0
+    total_gc = 0.0
+
+    for rec in records:
+        gc = gc_fraction(str(rec.seq))
+        total_gc += gc
+        total_records += 1
+
+        print(f"{rec.id}\tGC={gc:.3f}\tLen={len(rec.seq)}")
+
+    # Statistici finale
+    if total_records > 0:
+        avg_gc = total_gc / total_records
+        print("\n" + "-" * 80)
+        print(f"Total secvențe: {total_records}")
+        print(f"GC mediu: {avg_gc:.3f}")
+        print("=" * 80)
+    else:
+        print("[warning] Nu s-au găsit secvențe în fișier!")
+
+
+if __name__ == "__main__":
+    main()