情報基礎A 「Cプログラミング」総合演習

このページでは、塩基配列データをCのプログラムで扱うための具体的な手順を説明する。

プログラミングのための準備

塩基配列データの入手

現在までに知られている塩基配列の多くは、データベースを使って簡単に検索することができる。 例えば、 Genbank(NCBI)のヌクレオチド検索データベース、 日本DNAデータバンク(DDBJ)の検索ページ、 EMBL-EBIのデータベース、 などは良く知られている。 それらの中から、必要なデータを絞り込むには、専門的な知識や用語を知っておく必要があるので、 こうしたデータベースを自在に使いこなせるようになには、専門の勉強を積む必要があるだろう （何せ、この講義の担当教員の専門は物理なので、「教養」程度のことしか分からない)。

そうは言っても、検索自体は、簡単に行うことができる。 これらのデータベースに登録されているそれぞれの塩基配列には、国際的に統一されたアクセッション番号(accession number)が与えられており、 論文などでデータを引用する場合には、アクセッション番号が記載されている。 アクセッション番号は、アルファベット1文字+5桁の数字（例えば、A12345)、または、アルファベット２桁+6桁の数字（AB123456）の形式になっている。 また、塩基配列の中でタンパクをコードしている箇所（遺伝子,gene)には、タンパクの名称等に関係したニックネームが付けられている。

アクセッション番号を使って、NCBIのサイトで検索する場合は、以下のような手順で操作すればよい（データの量が大きいので、授業中に一斉に操作しないこと）：

• NCBIの検索画面にアクセスする。
• 画面上部の検索キーワードを入れる枠の中にアクセッション番号を入れる。例えば"NC000913"と入力して、searchボタンを押す。 NC000913は、分子生物学のモデル生物として重要な大腸菌（Escherichia coli）のアクセッション番号である。
• すると、かなり長大なリストが画面に表示される（ダウンロードにはそれなりに時間がかかる）。リストの先頭のLOCUS(遺伝子座）には、通常、 アクセッション番号が表示されている。次の 4639675 bp は、 4639675塩基分のデータであることを意味する。bpは"base pair"の短縮形。 他にも、さまざまな情報が掲載されている。
• データはすでにいくつかの断片毎に仕分けられている。画面の長大なリストの中から、/gene="lacY"と書かれている 場所を見つけてみよう（Firefoxブラウザの「編集」メニューから「検索」）。ここで、lacYとは、ラクトース（乳糖）の分解酵素を調整する遺伝子のひとつの名称。
• 当該の行の左側に表示されているgeneの箇所をクリックすると、lacYの塩基配列が(リストの一番おしまいに)表示される。

上で表示したデータは”GenBank形式”と呼ばれるフォーマットのもので、標準的な形式のひとつである。 以下で行う演習のために、GenBank形式のデータを入手し、プログラミング用の作業ディレクトリ（フォルダ）に保存しておこう。 ここでは演習のために、上記のNC000913のlacYの遺伝子のデータをあらかじめ用意しておいたので、 こちらを右クリックして、「別名でリンク先を保存」しておく。

「支援プログラム」の利用

ここでは、塩基配列のデータをプログラムで読み取って、色々な処理をすることが目標としているが、Ｃ言語についてこれまで学んだことだけを使って、 それなりに意味のあるプログラムを書くのは（無理ではないにしても）大変である。 そこで、このプロジェクトを支援するための（出来合の）Ｃプログラムを用意しておいた。 ここを右クリックして「別名でリンク先を保存」すると、 ga-helper.cというファイルがダウンロードできる。先ほどの塩基配列データと合わせ、作業用のディレクトリに

ga-helper.c       NC000913.gbk

の二つのファイルがあることを、まず確認する。

予行練習１：塩基配列の表示

#include <stdio.h>
#include <math.h>
#include "ga-helper.c"

main()
{
  int n ;
  int data[5000] ;

  n = readGBK("NC000913.gbk",data) ;
  printNuc(n,data) ;
}

このプログラムは、GenBank形式のファイル"NC000913.gbk"を読み込んで、その中から塩基配列 に関する箇所を自動的に切り出し、配列（data）に塩基配列をセット。 次いで、その配列データの内容を、画面に表示する。

ここで、readGBK("ファイル名", 配列名)、およびprintNuc(塩基対の数,配列名)の箇所が、 「支援プログラム」によって提供された機能。 「支援プログラム」を使う場合には、プログラムの先頭部分に、必ず #include "ga-helper.c"と書いておくこと。

予行演習２：データ中から特定の塩基配列を見つける

#include <stdio.h>
#include <math.h>
#include "ga-helper.c"

main()
{
  int i,n ;
  int data[5000] ;

  n = readGBK("NC000913.gbk",data) ;

  for (i=0; i<n-2; i=i+1) {
    if (data[i]==1 && data[i+1]==1 && data[i+2]==1) {
      printf("TTT was found at %d\n",i+1) ;
    }
  }
}

「支援プログラム」は、塩基のTが整数値の1に, Cが２、Aが3、Gが4に、それぞれ対応するように作られている。 readGBK("NC000913.gbk",data)を実行すると、塩基配列のデータが読み込まれ、 配列の先頭（0番目）から順に、塩基の種類に対応した数値が

のようにセットされる。また、変数nには、塩基対の総数がセットされる。

このプログラムでは、こうして並んだデータの中に 1 （つまりT）が連続して３つ並んでいる箇所を見つけ、その位置をプリントしている。 配列の添え字は０から始まるが、「先頭から何番目」を言うときには１から順に始まるのが自然なので、(1,1,1）のパターンが見つかった場合は、 その場所として、i+1の値をプリントするようにしている。 forループの継続条件がi<n-2 になっている点も見逃せない。 現在位置から２つ先まで（計３つずつ）調べようとすると、おしまいから３つ前で止めておかないと、「行き過ぎて」しまうからだ。

予行演習３：塩基とアミノ酸の対応表を出力

#include <stdio.h>
#include <math.h>
#include "ga-helper.c"

main()
{
  int i,j,k ;
  for (i=1 ; i<=4 ; i=i+1) {
    for (j=1 ; j<=4 ; j=j+1) {
      for (k=1 ; k<=4 ; k=k+1) {
        printf("[%d%d%d]:",i,j,k) ;
        printAminoAcid(i,j,k) ;
        printf("\n") ;
      }
    }
  }
}

Tは1、Cは２、Aは3、Gは4に対応しているので、 例えば、上記のプログラムで[123]と表示される箇所は、[TCA]の塩基配列に対応する。 塩基の記号を使って表示したい場合は、プログラムの一部を

printf("[%d%d%d]:",i,j,k) ;
　　　↓
printf("[") ;　printTriplet(i,j,k) ;　printf("]:") ;

と書き換えればよい。ここで、printTriplet(i,j,k);は、数値で表現された三つの塩基の組(triplet)を、(A,T,C,G)の記号の組として表示 する「支援」機能（関数）。

また、printAminoAcid(i,j,k) は、塩基配列[i,j,k]に対応するアミノ酸を、記号（A,..,Y）で画面に出力する関数である。

支援プログラムの機能や使い方については、こちらのページにまとめておいたので参照のこと。