道听途说分享 http://blog.sciencenet.cn/u/lucky7

博文

Rosalind-CONS-String Algorithms

已有 1563 次阅读 2019-10-8 22:09 |个人分类:Rosalind|系统分类:生活其它| Rosalind, String, Algorithms, String, Algorithms

题目(点我)很好理解,难点在于python擅长行计算而不是列计算,需要一些额外的循环和存储。我的无脑解法为:


from Bio import SeqIO
from collections import Counter, OrderedDict
import operator
def cons(file):
# 用biopython里面的SeqIO模块帮助读入fasta文件并存储进一个字典,key是tag,value是序列
    dic = {} 
    i = 0
    length_list = []
    for record in SeqIO.parse(file,'fasta'):
        i += 1
        # 检查是否有tag一样的序列,当然这不影响我们的计算,就是一个warning
        if record.id in dic:
            print('multiple ' + record.id + ' exist!')
            record.id = record.id + '_' + str(i)
        dic[record.id] = record.seq
        length_list.append(len(record.seq))
    # 检查是否所有序列都一样长
    length_set = set(length_list)
    if len(length_set) > 1:
        print('Sequences have different lengths!')
    # 在Rosalind里面肯定都是干净的数据,但在实操里只能去最短的
    length = sorted(length_set)[0]
    # 计算每个位置的共识
    con = []
    dic_matrix = {'A':[],
                 'C':[],
                 'G':[],
                 'T':[]}
    for i in range(length):
        temp_list = []
        for key in dic:
            temp_list.append(dic[key][i])
        temp_dic = Counter(temp_list)
        #profile
        for key in dic_matrix:
            dic_matrix[key].append(temp_dic[key])
        #consensus
        sorted_list = sorted(temp_dic.items(), key=operator.itemgetter(1))
        con.append(sorted_list[-1][0]) 
    # 将字典按key排序,以便输出时按照ACGT的顺序,后面强人代码可见这是没有必要的
    profile_dic = OrderedDict(sorted(dic_matrix.items()))
    print(''.join(con))
    for key in profile_dic:
        print(key + ': ' + ' '.join([str(a) for a in profile_dic[key]]))


好了下面是卖家秀(根据Darkstar的python2版本修改而成)


from Bio import SeqIO
with open('data/cons_example.fa') as f:
    #读入所有序列入一个list(而不是字典)
    strands = [str(record.seq) for record in SeqIO.parse(f,'fasta')]
    #最为关键的一步,保证下面的操作都是按列而不是按行
    matrix = zip(*strands)
    #下面这行返回一个list of dictionary, 每一个item就是每一列的profile,信息量太大,代码后详解
    profile_matrix = list(map(lambda x: dict((base, x.count(base)) for base in "ACGT"), matrix))
    #计算每一列的共识,max()函数还可以定制key呢
    consensus = [max(x,key = x.get) for x in profile_matrix]
    print("".join(consensus))
    #按格式要求打印出profile,使用了print()函数不自动加换行符
    for base in "ACGT":
        print(base+":", end='')
        for x in profile_matrix:
            print(str(x[base]), end='')
        print()


上面*的用法详见此贴的第四种,神操作啊。

至于信息量很大的那一行,首先是用map()函数对zip之后的序列进行了一个操作(reminder: zip之后iterable的每个item已经是列了哦),这是一个什么操作呢?这个操作/函数是自己写的lambda函数,具体内容是要数每个zip 之后的iterable item/列/x 里面base的数目(x.count);base是啥呢,请遍历"ACGT",也就是依次数这四个碱基啦,数好之后放到字典里dict(),key是base,value是count. 最后把map函数的运行结果用一个list存起来,就可以反复调用啦。希望解释明白了。。。


这就是买家秀和卖家秀的差距。。。用zip()函数变行为列是真正实现字符matrix的时刻,不用依赖pandas了呢。



https://wap.sciencenet.cn/blog-257922-1201134.html

上一篇:Nature这样总结这篇关于同性行为的遗传基础的Science文章
下一篇:宏基因组序列的抗菌潜力预测
收藏 IP: 85.203.47.*| 热度|

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-12-6 21:48

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部