生信人值得拥有的编程模板-Perl
为什么要学编程
图1. 重复工作任务量与时间关系[1]
如上图，对于大量重复工作，非编程者(non-geek)工作量和时间是正相关的，就像富士康流水线上的工人，这种工作对于高智商的人是无法忍受(富士康招流水线工人会测智商，高智商不会被分配大量重复工作，容易离职)。而编程者(geek)会分三个阶段：手工操作摸索规律(与non-geek效率相同)、编写程序(被non-geek远远甩开)、运行程序(秒杀non-geek)。
生物信息就是这样一门科学，让重复工作远离人工重复劳动。即使非生信人员，学点编程，在生活中也是非常有乐趣的。
生物信息领域常用语言
个人认为：是否能熟悉使用Shell(项目流程搭建)+R(数据统计与可视化)+Perl/Python等(胶水语言，数据格式转换，软件间衔接)三门语言是一位合格生物信息工程师的标准。
生物信息常用语言非常广泛，我常用的有Perl, R, Shell，此外参与网页制作还用过PhP+mySQL，写公众号/博客通用Markdown。这些其实都是非常小众的语言，如果和计算机专业的人交流，对方可能没听过这些语言。本系列“生信人值得拥有的写作模板”主要以Perl为主，并伴随一些零星的R和Shell编程的经验和技巧。对于生信Perl使用人员有个交流和互相提高的平台，让新人少走点弯路。对于没有任何Perl基础强例建议别入坑，直接学Python教程吧，不解释看下图。
TIOBE世界编程语言使用排行
图2. 2017年10月最新编程语言排名(www.tiobe.com/tiobe-index/)
我们可以看到世界前三是Java, C, C++，大家都听说过；第五是Python，目前在生领领域有取代Perl地位的趋势，目前Perl列第12(比去年同期又下降三位)。R语言的数据分析领域有应用越来越广泛，今年上升三位至15名；Shell由于版本和各类较多，在50-100名间有4种，此语言只建议快速解决小问题，不建议写太长的任务，很容易跨平台不兼容。
总结：
生信常用语言：Shell+R+Python/Perl
世界三大语言：Java, C, C++
生信语言的排名：Python 5th 稳定 , Perl 12th 快速下降, R 15th 快速上升
Perl语言简介
Perl，一种功能丰富的计算机程序语言，运行在超过100种计算机平台上，适用广泛，从大型机到便携设备，从快速原型创建到大规模可扩展开发。
Perl最初的设计者为拉里·沃尔（Larry Wall），于1987年12月18日发表。现在的版本为Perl 6，于2015年12月25日更新。
Perl借取了C、sed、awk、shell 脚本语言以及很多其他程序语言的特性，其中最重要的特性是它内部集成了正则表达式的功能，以及巨大的第三方代码库CPAN。简而言之，Perl像C一样强大，像awk、sed等脚本描述语言一样方便，被Perl语言爱好者称之为“一种拥有各种语言功能的梦幻脚本语言”、“Unix 中的王牌工具”。
Perl 一般被称为“实用报表提取语言”（Practical Extraction and Report Language），你也可能看到“perl”，所有的字母都是小写的。一般，“Perl”，有大写的 P，是指语言本身，而“perl”，小写的 p，是指程序运行的解释器。[1]
Perl写作环境模板推荐
很多人三行两行或直接命令行用perl直接解决问题，虽然快，但是不容重用和别人使用。因此，良好的写作环境和模板是效率和专业的体现，即提高自己的代码重用性，也方便交流和他人使用。
编程环境IDE
推荐使用：Editplus 4.0，网上到处都是注册机和序列号，随便用，下载址搜不到好用的。可以后台回复“editplus”获得下载链接。此软件优点是可配置模板，可直接编辑服务器脚本(省略上传步骤)，高效的代码调试。
编程模板
下面代码为实现常用功能的写作模板，如帮助文档部分(提高代码重用和版本管理，方便其他人使用)，命令行参数管理(可读性的命令行是程序的基础)，程序运行时间统计(项目时间管理)，常用文件读取数据结构样式(方便修改文件输入和输出)等；
下面是实现这样功能的模板：可复制代码，在editplus中保存为template.pl文件。每步有详细的注释，仔细看看吧。
#!/usr/bin/perl -w
# 加载时间管理，参数管理，文件名和路径处理的基础包，无须安装
use POSIX qw(strftime);
use Getopt::Std;
use File::Basename;
###############################################################################
#Scripts usage and about.
# 程序的帮助文档，良好的描述是程序重用和共享的基础，也是程序升级和更新的前提
###############################################################################
sub usage {
die(
qq!
Usage: template.pl -i inpute_file -o output_file -d database -h header num
Function: Template for Perl
Command: -i inpute file name (Must)
-o output file name (Must)
-d database file name
-h header line number, default 0
Author: Liu Yong-Xin, liuyongxin_bio\@163.com, QQ:42789409
Version: v1.0
Update: 2017/10/8
Notes:
\n!
)
}
###############################################################################
#命令行参数据的定义和获取，记录程序初始时间，设置参数默认值
#Get the parameter and provide the usage.
###############################################################################
my %opts;
getopts( 'i:o:d:h:', \%opts );
&usage unless ( exists $opts{i} && exists $opts{o} );
my $start_time=time;
print strftime("Start time is %Y-%m-%d %H:%M:%S\n", localtime(time));
print "Input file is $opts{i}\nOutput file is $opts{o}\n";
print "Database file is $opts{d}\n" if defined($opts{d});
# 调置参数的初始值，可以添加更多参数的默认值
$opts{h}=1 unless defined($opts{h});
###############################################################################
#读入的数据或注释文件，用于与输入文件比较或注释(可选)，提供三种方式
#Read the database in memory(opt)
###############################################################################
#open DATABASE,"<$opts{d}";
# 1. 散列结构数据库，要求数据文件有唯一ID并且无顺序要求
#my %database; #database in hash
#while (<DATABASE>) {
# chomp;
# my @tmp=split/\t/;
# $database{$tmp[1]}=$tmp[2];
#}
# 2. 数组结构数据库，无唯一ID，但有顺序要求
#my (@tmp1,@tmp2); #database in array
#while (<DATABASE>) {
# chomp;
# my @tmp=split/\t/;
# push @tmp1,$tmp[1];
# push @tmp2,@tmp[2];
#}
#close DATABASE;
# 3. 批量数据文件，读取一批有相似结构的文件
#open a list file
#my %list;
#my @filelist=glob "$opts{i}";
#foreach $file(@filelist){
# open DATABASE,"<$file";
# $file=basename($file);
# while (<DATABASE>) {
# my @tmp=split/\t/;
# $list{$file}{nr}++;
# }
# close DATABASE;
#}
###############################################################################
#Main text.
###############################################################################
# 正文部分，读取输入文件，列出输入和输入文件的三行作为示例，方便编程处理数据
open INPUT,"<$opts{i}";
#chrm0 snppos1 ref2 mat_gtyp3 pat_gtyp4 c_gtyp5 phase6 mat_all7 pat_all8 cA9 cC10 cG11 cT12 winning SymCls SymPval BindingSite cnv
#1 4648 C A C M PHASED C A 0 11 0 0 M Asym 0.0009765625 -1 0.902113
open OUTPUT,">$opts{o}";
#chrm snppos ref mat_gtyp pat_gtyp c_gtyp phase mat_all pat_all cA cC cG cT winning SymCls SymPval BindingSite cnv
#1 4648 C A C M PHASED C A 0 11 0 0 M Asym 0.0009765625 -1 0.902113
my %count;
# h参数用于去除有文件头的行
while ($opts{h}>0) { #filter header
$tmp=<INPUT>;
$opts{h}--;
# 可选，输出文件也保留文件头
#print OUTPUT $tmp;
}
# 输入和输入处理部分，常用按行读取处理并输入，默认按tab分割数据
while (<INPUT>) {
chomp;
my @tmp=split/\t/;
print OUTPUT "$tmp[0]\t$tmp[1]\n";
}
close INPUT;
close OUTPUT;
###############################################################################
#Record the program running time!
# 输出程序运行时间
###############################################################################
my $duration_time=time-$start_time;
print strftime("End time is %Y-%m-%d %H:%M:%S\n", localtime(time));
print "This compute totally consumed $duration_time s\.\n";模板导入Editplus
将上述代码保存为template.pl，在editplus中选择Tools — Preference — Template — Perl，点击template.pl右边的..按键，选择你自己的template.pl即可，以后选择perl脚本会自己加载该模板。
希望对大家有帮助！
Reference
图1地址 https://2017-cicese-metagenomics.readthedocs.io/en/latest/_images/gvng.jpg
https://baike.baidu.com/item/perl
写在后面
为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内几十位PI，三百多名一线科研人员加入。参与讨论，获得专业指导、问题解答，欢迎分享此文至朋友圈，并扫码加创始人好友带你入群，务必备注“姓名-单位-研究方向-职务”。技术问题寻求帮助，首先阅读如何优雅的提问学习解决问题思路，仍末解决推荐生信技能树-微生物组版块(http://www.biotrainee.com/forum-88-1.html) 发贴，并转发链接入群，问题及解答方便检索，造福后人。
学习16S扩增子、宏基因组思路和分析实战，快关注“宏基因组”
点击阅读原文，跳转最新文章目录阅读