Lab5: DNA
（本次Lab围绕STEAM周设计，感谢宋老师为实验设计提供的专业指导。）
什么是DNA？
DNA是Deoxyribonucleic Acid（脱氧核醣核酸）的缩写，存在于人体细胞之中。它的结构由两螺旋长链组成（如下图），长链上有四种像英文字母一样的「代码」，分别是：A、T、C和G。我们的身体，便是依靠这四种DNA代码（碱基）以不同排序传递遗传讯息。
四种DNA代码A、T、C、G环环相扣，形成DNA长链。不过在整条长链中，只有部分片段携带了遗传讯息，这些片段称为基因(gene)。
基因是遗传的基本单元。在基因中三个代码为一组，称为密码子（codon）。密码子可以编码氨基酸，例如GCU编码丙氨酸，GAA编码谷氨酸。氨基酸是构成蛋白质的基本单位。
基因片段有一个起点，就像程序从main()开始执行一样。基因片段是从ATG这个密码子开始的，称作起始密码子（start codon)；基因片段以终止密码子(stop codon)结束，终止密码子可以是TAA, TAG, 或者TGA中的任意一个。
计算生物学家通过扫描生物的DNA来记录一些特殊指标，其中一个指标叫做GC含量。GC含量是指DNA片段中G和C质量之和所占的比率。高GC含量的DNA片段通常意味着携带重要的遗传信息。
你的任务
你有两个任务，完成任务一才可以解锁任务二。
任务一：
你需要读取一个文件（见dna.txt)，该文件包含多条DNA片段。对于每个片段，你的程序需要统计A、T、C、G分别出现的次数。此外，程序还需要计算四种碱基的质量占比。
片段中可能会存在"-"。它们不携带遗传信息，但是它们具有质量。
另外，程序需要记录DNA片段中密码子的信息，来预测该序列是否是可以编码蛋白质的基因(protein-coding gene)。在本次任务中，protein-coding gene是一个具有下列特征的字符串：
以起始密码子开始（ATG）
以终止密码子结束（TAA，TAG或TGA任意一种）
包含至少5个密码子（包括起始密码子和终止密码子）
GC含量不低于30%
（注：上述特征只是为了本次实验而做的近似假设，并非生物学中真实的限定条件）
DNA.txt中包含10个DNA片段。第一行是片段名，第二行为DNA序列。序列中包含A、T、C、G和-。
注意：碱基可以用大写字母，或者小写字母表示。
dna.txt(部分)
protein 1
ATGCTACCATGGTAG
protein 2
ATgCCATGgACAATGGATCCcAtGGATTgA
protein 3
CCATT-AATGATCA-CAGTT
...-代表没有编码功能的片段。绝大部分情况下程序可以忽视它，但是它仍然具有一定质量。
四种碱基，以及“-”的摩尔质量(grams/mol)分别为：
A: 135.128
C: 111.103
G: 151.128
T：125.107
-：100.000
程序输出
程序运行开始后，需要用户提供输入文件和输出文件的名称（或者路径）。你的程序需要读入输入文件，将处理后的结果保存在输出文件里。
程序运行后的结果应该如下所示：
This program reports information about DNA
nucleotide sequences that may encode proteins.
Input file name? dna.txt
Output file name? output.txt程序生成的output.txt结果如下所示（部分）：
Region Name: protein 1
Nucleotides: ATGCTACCATGGTAG
Nuc. Counts: [4, 3, 4, 4]
Total Mass%: [27.3, 16.8, 30.6, 25.3] of 1978.8
Codons List: [ATG, CTA, CCA, TGG, TAG]
Is Protein?: YES
Region Name: protein 2
Nucleotides: ATGCCATGGACAATGGATCCCATGGATTGA
Nuc. Counts: [9, 6, 8, 7]
Total Mass%: [30.7, 16.8, 30.5, 22.1] of 3967.5
Codons List: [ATG, CCA, TGG, ACA, ATG, GAT, CCC, ATG, GAT, TGA]
Is Protein?: YES
Region Name: protein 3
Nucleotides: CCATTA-ATCATGACA-GTT
Nuc. Counts: [6, 4, 2, 6]
Total Mass%: [32.3, 17.7, 12.1, 29.9] of 2508.1
Codons List: [CCA, TTA, ATC, ATG, ACA, GTT]
Is Protein?: NO第一行：片段名
第二行：DNA片段（全部为大写字母）
第三行：A、C、G、T分别出现的次数
第四行：A、C、G、T的质量占比（取一位小数）
第五行：片段中出现的所有密码子
第六行：是否为protein-coding gene
将output.txt生成之后，可以来401办公室验证结果并领取奖品。验证成功可以开始完成任务二。
任务二
果蝇作为遗传学研究的经典模式动物，主要用来研究真核生物遗传学的基本原理以及概念。1910年，摩尔根发现白眼果蝇并将其用于遗传学研究，摩尔根验证了孟德尔学说，发现并解释了伴性遗传，提出了连锁遗传，绘制了果蝇遗传图谱。因此1933年的诺贝尔医学奖授予了摩尔根，以表彰他在研究染色体在遗传方面的功能中所做出的贡献。1946年，摩尔根的学生，被誉为“果蝇的突变大师”的米勒，证明X射线能使果蝇的突变率提高150倍，因而成为诺贝尔奖获得者。
本次任务，你需要下载果蝇的染色体DNA序列，选取Y染色体进行扫描。
果蝇Y染色体DNA序列文件（数据来源：NCBI）：
序列中除了A,T,C,G以外，还有其它字符（例如N），这些非碱基的字符当作"-"来处理。
你的程序需要包含DNA序列中所有可能的protein-encoding gene，每条片段包含：
片段的起始位置和结束位置
GC含量
/*Below is the example output template*/
Section1:
Start Codon Index: 1006
Stop Codon Index: 1895
GC Mass%: 45%
Section2:
Start Codon Index: 3948
Stop Codon Index: 4652
GC Mass%: 32%
...将结果保存到output_y.txt中，可以来401办公室验证结果并领取奖品。
提交方式：
可以个人参加，也可以组队，最多三人一组。
所有任务提交的截止时间为11月25日中午十二点。
Last updated