#!/usr/bin/perl -w

use strict;

######################
#definim les variables
######################

my $i;               #posicio a la nostra sequencia (vector)
my $j;               #posicio al vector d'aminoacids (vector)                                                                                                        
my $n;               #numero de proteines
my $fitxer_seq;      #fitxer d'entrada
my @amino = ('A' , 'K' , 'N' , 'D' , 'C' , 'Q' , 'E' , 'G' , 'H' , 'I' , 'L' , 'R' , 'M' , 'F' , 'P' , 'S' , 'T' , 'W' , 'Y' , 'V');  #introduim els aa en 1 vector
my $numero_rep;      #numero de cops que trobem un aminoacid (llargada de la repeticio)
my $primera_pos;     #primera posicio de la repeticio
my $ultim_pos;       #ultima posicio de la repeticio

my $seq;             #variable on fiquem la seq
my @seqV;            #vector a partir de la variable d'abans
my $line;            #cada linea
my $fitxer_sort;     #fitxer de sortida
my $nom_prot;        #identificador de la proteina
my $long_prot;       #llargada de la prot
my $part;            #part de la prot on es troba cada repeticio
my $te_repeats;
my $n_prot_amb_rep;  #proteines amb repeticions

# creem un vector per guardar el numero de repeticions de cada aminoacid

my @n_aa;
$i=0;
while($i<20)
{
$n_aa[$i]=0;
$i=$i+1;
}  

my @n_aa_part;
$i=0;
while($i<20)
{
$n_aa_part[$i][0]=0;
$n_aa_part[$i][1]=0;
$n_aa_part[$i][2]=0;
$n_aa_part[$i][3]=0;
$i=$i+1;
}  

$fitxer_seq = $ARGV[0];
$fitxer_sort = $ARGV[1];


###########################
#obrim el fitxer d'entrada
###########################

print "el fitxer d'entrada es: $fitxer_seq\n";

print "el fitxer de sortida es: $fitxer_sort\n";



###########################
#obrim el fitxer de sortida
###########################

open (SORTIDA, ">$fitxer_sort");


#################
#cos del programa
#################

$n = 0;
$primera_pos = 0;
$ultim_pos = 0;
$numero_rep = 0;
$seq = "";
$n_prot_amb_rep=0;
$te_repeats=0;

open (PROTEINA, "<$fitxer_seq") || die "cannot open file";
                                                 ###############################################
$nom_prot = <PROTEINA>;                          #la primera linea q llegim es el nom de la prot.
                                                 ###############################################


while (<PROTEINA>){                            

    if (/>/)
	{
	    print "\ncontarem repeticions..\n";
	@seqV = split (//,$seq);    
	$j = 0;    
	$n=$n+1;
	while ($j < 20) {
	    $i = 0;
	    while ($i < scalar(@seqV)) {
    
		if ($seqV[$i] eq $amino[$j] && $seqV[$i+1] eq $amino[$j] && $seqV[$i+2] eq $amino[$j] && $seqV[$i+3] eq $amino[$j] && $seqV[$i+4] eq $amino[$j]) {
    
		    $primera_pos = $i;                          
		    
		    print SORTIDA "\n $nom_prot\t";#ENS MOSTRA LA PROTEINA QUE ESTEM MIRANT#
		    
		    print SORTIDA "$primera_pos\t"; #ENS MOSTRA LA PRIMERA POSICIO DE LA REPETICIO
		    
		    $numero_rep = 5;
		    
		    $te_repeats=1;
		    
		    $i = $i + 5;

		    $n_aa[$j]=$n_aa[$j]+1; 
		    
		    while ($seqV[$i] eq $amino[$j]) {       
        
			$numero_rep = $numero_rep + 1;      
           
			$i = $i + 1;

                      }
		    $ultim_pos = $i;  
                   
		    $long_prot = scalar (@seqV); 

		    $part = ($primera_pos / $long_prot);
		    
		    if ($part < 0.25){
			$n_aa_part[$j][0] = $n_aa_part [$j][0] + 1;
		    }
		    if (($part >= 0.25) && ($part < 0.5)){
			$n_aa_part[$j][1] = $n_aa_part [$j][1] + 1;
		    }
		    if (($part >= 0.5) && ($part < 0.75)){
			$n_aa_part[$j][2] = $n_aa_part [$j][2] + 1;
		    }
		    if (($part >= 0.75) && ($part <= 1)){
			$n_aa_part[$j][3] = $n_aa_part [$j][3] + 1;
		    }

                    
		    print SORTIDA "$ultim_pos\t";     #ENS MOSTRA LA ULTIMA POSICIO DE LA REPETICIO 
		   
		    print SORTIDA "$amino[$j]\t";     #ENS MOSTRA L'AMINOACID QUE ES REPETEIX
                        

		    print SORTIDA "$numero_rep\t"; #ENS MOSTRA EL NUMERO DE REPETICIONS DE L'AMINOACID (LLARGADA DE LA REPETICIO)
		    
		    print SORTIDA "$long_prot\t";

		}
                   
    
		else { $i = $i + 1; } 

	    }

	    $j = $j + 1;
	}
	    if ($te_repeats == 1){
		
		$n_prot_amb_rep = $n_prot_amb_rep + 1;
		
		$te_repeats = 0;
	    }
	
	$seq="";
	
	$nom_prot=$_;
	
	print "\nestem a proteina: $nom_prot\n";
	
       
    }

	else{
	      $seq = $seq.$_;
	
	  }

}

########################
#ultima proteina
########################
	print "\ncontarem repeticions..\n";
	@seqV = split (//,$seq);    
	$j = 0;    
	$n=$n+1;
	while ($j < 20) {
	    $i = 0;
	    while ($i < scalar(@seqV)) {
    
		if ($seqV[$i] eq $amino[$j] && $seqV[$i+1] eq $amino[$j] && $seqV[$i+2] eq $amino[$j] && $seqV[$i+3] eq $amino[$j] && $seqV[$i+4] eq $amino[$j]) {
    
		    $primera_pos = $i;    
		   
		    print SORTIDA "\n $nom_prot\t";#ENS MOSTRA LA PROTEINA ON ESTEM
		    
		    
		    print SORTIDA "$primera_pos\t"; #ENS MOSTRA LA PRIMERA POSICIO DE LA REPETICIO
		    $numero_rep = 5;
		    
		    $te_repeats = 1;

		    $i = $i + 5;

		    $n_aa[$j]=$n_aa[$j]+1;
		    
		    while ($seqV[$i] eq $amino[$j]) {    
        
			$numero_rep = $numero_rep + 1;   
           
			$i = $i + 1;

                      }
		    $ultim_pos = $i;  
		    
		    $long_prot = scalar (@seqV); 

		    $part = ($primera_pos / $long_prot);
		    
		    if ($part < 0.25){
			$n_aa_part[$j][0] = $n_aa_part [$j][0] + 1;
		    }
		    if (($part >= 0.25) && ($part < 0.5)){
			$n_aa_part[$j][1] = $n_aa_part [$j][1] + 1;
		    }
		    if (($part >= 0.5) && ($part < 0.75)){
			$n_aa_part[$j][2] = $n_aa_part [$j][2] + 1;
		    }
		    if (($part >= 0.75) && ($part <= 1)){
			$n_aa_part[$j][3] = $n_aa_part [$j][3] + 1;
		    }

                    
		   
		    print SORTIDA "$ultim_pos\t";    #ENS MOSTRA LA ULTIMA POSICIO DE LA REPETICIO 
		    
		    print SORTIDA "$amino[$j]\t";    #ENS MOSTRA L'AMINOACID QUE ES REPETEIX
                      
		    print SORTIDA "$numero_rep\t";   #ENS MOSTRA EL NUMERO DE REPETICIONS DE L'AMINOACID (LLARGADA DE LA REPETICIO)
		    print SORTIDA "$long_prot\t";


		}
            
                 
		else { $i = $i + 1; } 

	    }

	    $j = $j + 1;
	}

            if ($te_repeats == 1){
		
		$n_prot_amb_rep = $n_prot_amb_rep + 1;
		
		$te_repeats = 0;
	    }

###############      	
# tanca fitxers
###############

print SORTIDA "\nel numero de proteines amb repeticions es: $n_prot_amb_rep\n";

print SORTIDA "\nel numero de sequencies analitzades es: $n\n";

print SORTIDA "\n**************LES REPETICIONS DE CADA AMINOACID SON LES SEGÜENTS************\n";

$j=0;

while ($j<20){
   

    print SORTIDA "\nnumero repeticions $amino[$j] es $n_aa[$j]\n";
  
  $j = $j + 1;
}

print SORTIDA "\n**************LES POSICIONS DE LES REPETICIONS SON LES SEGÜENTS*************\n";


$j=0;

while ($j<20){                                                        
    
    $i = 0;

    while ($i<4){
    
    
    #print SORTIDA "\nla repetició es troba a: $amino[$j] es $n_aa_part[$j][$i]\n";
   
    $i = $i + 1;
   
}
    
    print SORTIDA "\nel numero de repeticions al primer quartil de l'aa $amino[$j] es $n_aa_part[$j][0]\n";
    
    print SORTIDA "\nel numero de repeticions al segon quartil de l'aa $amino[$j] es $n_aa_part[$j][1]\n";
    
    print SORTIDA "\nel numero de repeticions al tercer quartil de l'aa $amino[$j] es $n_aa_part[$j][2]\n";
    
    print SORTIDA "\nel numero de repeticions al quart quartil de l'aa  $amino[$j] es $n_aa_part[$j][3]\n";
  
    $j = $j + 1;
}

close (PROTEINA);

close (SORTIDA);