Programování v jazyce C pro chemiky
(C2160)
8. Načítání a zápis PDB souboru
2
Načtení řádku ze souboru
char *fgets(char *str, int size, FILE *stream);
●
Funkce fgets() načítá jeden řádek ze souboru stream do
řetězce str, dokud nenarazí na znak konce řádku nebo na konec
souboru; do str se zapíše i znak konce řádku, pokud je načten;
načítá se maximálně size - 1 znaků, nakonec se přidá '\0'
●
Návratová hodnota funkce je v případě úspěchu ukazatel na str,
v případě neúspěchu NULL
3
Formátovaný vstup z řetězce
int sscanf(const char *str, const char *format, ...);
●
Funkce sscanf() pracuje podobně jako scanf() a fscanf(), ale
načítá data z řetězce str
●
Proměnné, do nichž se načtené hodnoty ukládají, předáváme
prostřednictvím ukazatelů, tj. používáme & před jménem
proměnných (kromě řetězců)
●
Návratovou hodnotou funkce je počet úspěšně načtených
položek, v případě neúspěchu vrací 0 nebo zápornou hodnotu
char s[] = "12 C 1.5 12.7 18.6";
int a = 0, n = 0;
char c = ' ';
float x = 0.0, y = 0.0, z = 0.0;
// Z retezce s se nactou hodnoty do prislusnych promennych,
// navratovou hodnotou je pocet uspesne nactenych polozek
n = sscanf(s, "%i %c %f %f %f", &a, &c, &x, &y, &z);
printf("Pocet nactenych hodnot: %i\n", n);
// Nasledujici prikaz vypise:
// 12, C, 1.500000, 12.700000, 18.600000
printf("%i, %c, %f, %f, %f\n", a, c, x, y, z);
4
Načítání textových souborů po řádcích
●
Textové soubory často načítáme po řádcích pomocí funkce
fgets() a tyto řádky pak zpracováváme pomocí sscanf() nebo
pomocí funkcí pro práci s řetězci, popř. po jednotlivých znacích
●
Tento přístup poskytuje větší flexibilitu a umožňuje zpracovat
soubory, které mají na jednotlivých řádcích různé typy dat
// Ukazka nacteni souboru s ruznymi daty na ruznych radcich
#define BUF_SIZE 1000
char buf[BUF_SIZE] = "";
char str[50] = "", filename[100] = "";
int width = 0, height = 0;
float distance = 0.0;
// Zde otevreme soubor s identifikatorem f
while (feof(f) == 0)
{
if (fgets(buf, BUF_SIZE, f) == NULL)
break;
sscanf(buf, " %49[^ =]", str);
if (strcmp(str, "INPUT_FILE") == 0)
sscanf(buf, " %*[^ =] = %99s", filename);
else if (strcmp(str, "WINDOW_SIZE") == 0)
sscanf(buf, " %*[^ =] = %i , %i", &width, &height);
else if (strcmp(str, "DISTANCE") == 0)
sscanf(buf, " %*[^ =] = %f", &distance);
}
INPUT_FILE = crambin.pdb
WINDOW_SIZE = 300, 500
DISTANCE = 3.5
5
Formátovaný výstup do řetězce
int sprintf(char *str, const char *format, ...);
int snprintf(char *str, int size, const char *format, ...);
●
Funkce sprintf() pracuje podobně jako printf() a fprintf()
ale zapisuje data do řetězce str (na konec vloží '\0')
●
Funkce snprintf() funguje podobně, ale používá parametr
size, který specifikuje maximální délku řetězce str, tj.
maximální počet znaků zapsaných do str (vč. '\0')
●
V praxi vždy upřednostňujeme snprintf(), protože při použití
sprintf() hrozí riziko překročení mezí pro řetězec str
●
Funkce vrací počet zapsaných znaků, v případě neúspěchu vrací
zápornou hodnotu. Funkce snprintf() může vrátit hodnotu
větší než size, viz. UNIXový manuál man snprintf
#define BUF_SIZE 1000
char buf[BUF_SIZE] = "";
char residue_name[] = "ASN";
int residue_number = 14;
snprintf(buf, BUF_SIZE, "residue_%.3i%s.pdb",
residue_number, residue_name);
printf("Soubor: %s\n", buf); // Vypise: residue_014ASN.pdb
6
Formátovací řetězec - specifikace šířky a
přesnosti pomocí parametrů
●
Formátovací prvky ve formátovacích řetězcích mohou obsahovat
šířku a/nebo přesnost, které uvádíme jako číselné hodnoty přímo
ve formátovacím prvku (např. %4s, %.3f, %6.2f a pod.)
●
Pokud místo číselné hodnoty šířky nebo přesnosti uvedeme
hvězdičku *, budou tyto hodnoty určeny argumentem typu int,
který musí v seznamu argumentů bezprostředně předcházet
argument, který se má tisknout (odpovídající příslušné konverzi)
●
Použijeme-li dvě hvězdičky pro šířku a přesnost, pak musí být v
seznamu argumentů tyto dva argumenty uvedeny za sebou
●
Toto se vztahuje na funkce printf(), fprintf(), sprintf() a
snprintf()
char str[] = "Tady je nejaky text";
int width = 6, precision = 2;
float a = 56.14789;
// Vypise minimalne 6 znaku retezce s, stejne jako konverze %6s
printf("Text: %*s\n", width, str);
// Vypise cislo s presnosti 2, stejne jako %.2f
printf("Hodnota: %.*f\n", precision, a);
// Vypise cislo, min. 6 znaku s presnosti 2, stejne jako %6.2f
printf("Hodnota: %*.*f\n", width, precision, a);
7
Inicializace řetězce pomocí memset()
void *memset(void *s, int c, int n);
●
Funkce memset() zapíše n znaků c na místo určené ukazatelem s
●
Je deklarována ve <string.h>
●
Funkce se často používá pro pro vyplnění řetězce zakončovacím
znakem \0, zejména tehdy, pokud řetězec používáme pro práci s
funkcemi, které zakončovací znak automaticky nevkládají
#define STRING_SIZE 100
char s[STRING_SIZE] = "";
// Nekdy je vhodne vsechny znaky retezce vyplnit zakoncovacim
// znakem '\0'
memset(s, '\0', STRING_SIZE);
// Do retezce take muzeme nastavit napr. same mezery
memset(s, ' ', STRING_SIZE);
// Pak je ale potreba zakoncit retezec znakem '\0'
s[STRING_SIZE-1] = '\0';
8
Formáty dat v textových souborech
●
Textové soubory sloužící pro uložení dat (vědeckých dat,
konfiguračních souborů a pod.) mají přesně daný formát, který
umožňuje jejich správné načtení
●
Formát souboru specifikuje jaký typ dat je v souboru uložen a jak
jsou tato data v souboru rozmístěna a oddělena
●
Rozlišujeme dva základní typy uspořádání dat v souborech:
fixed format – data jsou umístěna na konkrétní pozici na řádku;
je používán hlavně ve starších programech napsaných ve
starších verzích FORTRANu
Příklad: ATOM137HG12AVALB1.882-2.867-13.3630.333.91
free format – pozice dat na řádku není striktně dána, je dáno
pouze pořadí dat a oddělovač, který data odděluje (zpravidla
mezera, tabelátor, čárka, středník, dvojtečka, =); tento formát
je vhodný hlavně tam kde se předpokládá manuální editace dat
uživatelem (nevadí mu např. nadbytečné mezery a pod.)
Příklad: ATOMS_LIST = 5, 12, 13,151, 192, 220
coordinates: 12.36 15.78 -25.3
9
PDB formát
●
PDB formát je používán pro ukládání struktur biomolekul
(proteinů, nukleových kyselin …) v PDB databázi www.pdb.org
●
PDB formát je široce používaný v počítačové chemii a strukturní
bioinformatice
●
V PDB souborech jsou data zapsána stylem fixed format
●
Dokumentace k PDB formátu je dostupná na:
https://www.wwpdb.org/documentation/file-format
10
Soubor v PDB formátu
HEADER PLANT PROTEIN 10-SEP-01 1JXY
TITLE CRAMBIN MIXED SEQUENCE FORM AT 220 K. PROTEIN/WATER
TITLE 2 SUBSTATES
COMPND MOL_ID: 1;
COMPND 2 MOLECULE: CRAMBIN;
COMPND 3 CHAIN: A
SOURCE MOL_ID: 1;
SOURCE 2 ORGANISM_SCIENTIFIC: CRAMBE HISPANICA SUBSP. ABYSSINICA;
REMARK 2 RESOLUTION. 0.89 ANGSTROMS.
REMARK 3
REMARK 3 REFINEMENT.
REMARK 3 PROGRAM : PROLSQ
REMARK 3 AUTHORS : KONNERT,HENDRICKSON
ATOM 1 N THR A 1 16.858 14.053 3.518 1.00 8.84 N
ATOM 2 CA THR A 1 16.901 12.798 4.316 1.00 6.25 C
ATOM 3 C THR A 1 15.614 12.736 5.075 1.00 5.60 C
ATOM 4 O THR A 1 15.139 13.784 5.543 1.00 7.89 O
ATOM 5 CB THR A 1 18.071 12.793 5.272 1.00 7.53 C
ATOM 6 OG1 THR A 1 19.242 12.891 4.481 1.00 10.79 O
ATOM 7 CG2 THR A 1 18.159 11.531 6.124 1.00 10.28 C
ATOM 8 H1 THR A 1 17.272 13.943 2.691 1.00 10.25 H
ATOM 9 H2 THR A 1 15.955 14.297 3.365 1.00 15.73 H
TER 786 ASN A 46
HETATM 787 C1 AEOH A 66 15.823 0.920 12.835 0.50 21.97 C
HETATM 788 C1 BEOH A 66 15.532 0.742 12.262 0.50 26.82 C
CONECT 42 696
CONECT 52 572
CONECT 296 477
MASTER 296 0 1 2 2 0 1 6 791 1 12 4
END
11
Typy záznamů v PDB souboru
●
Každý řádek PDB souboru obsahuje na začátku 6 znaků
identifikujících typ dat na daném řádku
●
Vybrané typy záznamů PDB formátu:
ATOM - souřadnice atomů standardních residuí (tj. jedné z 20
základních aminokyselin nebo nukleotidů), obsahují také další
informace charakterizující atom
HETATM - podobné jako ATOM, ale pro atomy nestandardních
residuí (např. ligandy, ionty, molekuly vody a pod.)
CONECT - specifikuje vazby mezi atomy (zpravidla pouze pro
nestandardní residua)
REMARK - poznámka, rozlišuje se několik typů poznámek,
každému přísluší jiná číslice uvedená za slovem REMARK
12
Struktura záznamu ATOM a HETATM
ATOM 7 CG2 THR A 1 18.159 11.531 6.124 1.00 10.28 C
ATOM······7··CG2·THR·A···1······18.159··11.531···6.124··1.00·10.28···········C
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
1 - 6 Jméno záznamu "ATOM " nebo "HETATM" (6 znaků)
7 - 11 Pořadové číslo atomu (celé číslo)
12 Mezera
13 - 16 Jméno atomu (řetězec max. 4 znaky)
17 Alternativní pozice atomu (znak)
18 - 20 Jméno residua (řetězec max. 3 znaky)
21 Mezera
22 Identifikátor proteinového řetězce (znak)
23 - 26 Pořadové číslo residua v sekvenci (celé číslo)
27 Kód indikující vložení residua (znak)
28 – 30 Tři mezery
31 - 38 Souřadnice x v Å (reálné číslo)
39 - 46 Souřadnice y v Å (reálné číslo)
47 - 54 Souřadnice z v Å (reálné číslo)
55 - 60 Occupancy (reálné číslo)
61 - 66 Teplotní faktor (reálné číslo)
77 - 78 Symbol prvku (řetězec max. 2 znaky zarovnané doprava)
79 - 80 Formální náboj na atomu (2 znaky ve tvaru 2+, 1- a pod.)
13
Načtení PDB formátu
●
PDB soubor obsahuje rozdílná data na jednotlivých řádcích,
proto jej vždy načítáme po řádcích (funkcí fgets()) a podle
jména záznamu uvedeného na začátku řádku (ATOM, HETATM ...)
potom řádek rozebereme na jednotlivé prvky
●
Data na každém řádku v PDB souboru mají uspořádání fixed
format, proto pro jejich načítání nelze přímo použít funkce
fscanf(), sscanf()
●
Textové položky (např. jméno záznamu, atomu, residua, atd.)
zkopírujeme pomocí strncpy() - kopírujeme daný počet znaků
od příslušné pozice, nakonec musíme zapsat '\0'
●
Znakové položky (identifikátor řetězce, atd.) – zkopírujeme přímo
jeden znak z požadované pozice do výsledné proměnné
●
Číselné položky (číslo atomu, číslo residua, souřadnice, atd.) nejdříve
pomocí strncpy() zkopírujeme daný počet znaků od
příslušné pozice do pomocné řetězcové proměnné (a zakončíme
'\0'). Potom pomocí sscanf() načteme příslušnou číselnou
hodnotu z pomocného řetězce do cílové proměnné (při načítání
celočíselných hodnot dáváme přednost konverzi %d před %i, aby
bylo zaručeno, že bude číslo načítáno v desítkové soustavě i v
případě, kdyby začínalo na 0)
14
Načtení PDB formátu - pokračování
●
Pokud potřebujeme, aby byly textové položky zbaveny
počátečních a koncových mezer (to je žádoucí např. u symbolu
prvku), postupujeme podobně jako u načítání čísel, tj. nejdříve
zkopírujeme příslušnou část do pomocného řetězce a pak
pomocí sscanf() a konverze %s načteme řetězec do cílové
řetězcové proměnné
●
Hodnotu formálního náboje je vhodnější načíst jako řetězec,
protože má nestandardní tvar se znaménkem uvedeným až za
číslem: 2+, 1-
●
Před načtením řádku pomocí fgets() je vhodné vyplnit řetězec
znaky '\0' (pomocí memset()), abychom zabránili načítání
neplatných dat v případě, že by byl řádek kratší, než očekáváme
●
POZOR: pozice na kterých se data nacházejí jsou v PDB
dokumentaci číslována od 1, ale jazyk C čísluje prvky pole od 0
15
Načtení PDB formátu - příklad
char buf[BUF_SIZE] = "";
char s[30] = "";
FILE *f = NULL;
// Zde musí byt kod pro otevreni
// souboru s identifikatorem f
while (feof(f) == 0)
{
memset(buf, '\0', BUF_SIZE);
if (fgets(buf, BUF_SIZE, f) == NULL) break;
if (strncmp(buf, "ATOM", 4) == 0 ||
strncmp(buf, "HETATM", 6) == 0) {
// Jmeno atomu - zkopirujeme 4 znaky od pozice 13
strncpy(atoms[atoms_count].atom_name, buf+12, 4);
atoms[atoms_count].atom_name[4] = '\0'; // Retezec musime zakoncit '\0'
// Nacteni identif. proteinoveho retezce - zkopirujeme 1 znak z pozice 22
atoms[atoms_count].chain_id = buf[21];
// Ukazka nacteni cisla residua z pozice 23 – 26 (cislovano od 1)
strncpy(s, buf+22, 4); // Do s kopirujeme 4 znaky od pozice 22 (cisl. od 0)
s[4] = '\0'; // Retezec musime zakoncit '\0'
sscanf(s, "%d", &atoms[atoms_count].residue_number);
atoms_count++;
}
}
// Zacatek programu
#define MAX_ATOMS 10000
#define BUF_SIZE 1000
typedef struct
{
char atom_name[5];
char chain_id;
int residue_number;
// Dalsi polozky
} ATOM;
ATOM atoms[MAX_ATOMS];
int atoms_count = 0;
ATOM······7··CG2·THR·A···1······18.159··11.531···6.124··1.00·10.28···········C
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
16
Zápis PDB formátu
●
Pro zápis PDB souboru používáme funkci fprintf() a příslušné
formátování:
Jméno záznamu – 6 znaků zarovnaných doleva (%-6.6s)
Pořadové číslo atomu – 5 znaků zarovnaných doprava (%5d)
Jméno atomu – 4 znaky (%-4.4s)
Alternativní pozice atomu – 1 znak (%c)
Jméno residua – 3 znaky zarovnané doleva (%-3.3s)
Identifikátor proteinového řetězce – 1 znak (%c)
Pořadové číslo residua – 4 znaky zarovnané doprava (%4d)
Kód indikující vložení residua – 1 znak (%c)
Souřadnice x, y, z – 8 znaků, přesnost na 3 deset. místa (%8.3f)
Occupancy – 6 znaků, přesnost na 2 desetinná místa (%6.2f)
Teplotní faktor – 6 znaků, přesnost na 2 desetinná místa (%6.2f)
Symbol prvku – 2 znaky zarovnané doprava (%2.2s)
Formální náboj na atomu – 2 znaky (%2.2s)
Nesmíme zapomenout na mezery na pozicích 12 a 21, tři
mezery na pozicich 28-30 a 10 mezer na pozicích 67 - 76
(číslováno od 1)
17
Dodržujte následující pravidla
●
Jako globální definujte pouze ty proměnné, jejichž data sdílí větší
počet funkcí. Pokud proměnnou sdílí malý počet funkcí, definujte
ji jako lokální a předávejte do volaných funkcí jako parametr.
Proměnné sloužící pouze pro účely jedné funkce definujte vždy
jako lokální
●
Názvy globálních proměnných volte tak, aby z nich byl jasný
význam proměnné, volte raději delší názvy. Pro lokální proměnné
lze používat kratší názvy
18
Úlohy
1. Upravte program pro načítání zjednodušeného PDB souboru (cv. 6, úloha
3, resp. použijte program ze cv. 7, úloha 4) tak aby uměl načítat a
zapisovat skutečný PDB soubor (otestujte se souborem crambin.pdb
nacházejícím se v adresáři /home/tootea/C2160/data/). Jména vstupního
a výstupního PDB souboru budou zadána jako parametry na příkazovém
řádku. 3 body
2. Program z úlohy 1 upravte tak, aby nejdříve načetl PDB soubor a potom
zapsal několik PDB souborů, pro každé residuum jeden. Každý soubor se
bude jmenovat podle čísla a názvu residua (např. residue_014ASN.pdb)
a budou do něj zapsány pouze atomy daného residua. Jméno vstupního
PDB souboru a (existujícího) cílového adresáře bude specifikováno na
příkazovém řádku. nepovinná, 3 body