如何使用python在两个文件中找到匹配的DNA序列

Question

我已经研究这个问题很长时间了，但我似乎没有把它弄对。我已经尝试了我所知道的一切，我真的需要帮助找出问题所在。

我有两个文件：文件1：序列名称和编号列表，即：

name,AGAT,AATG,TATC
Jake,28,42,14
Chris,17,22,19
Anne,36,18,25

文件二：一串DNA"gctaaatttttcagccagatgtaggctacaatcaagctgtccgctcggcacggcctaccacgt">

这个想法是实现一个基于DNA识别一个人的程序。运行文件二，并计算文件1中提供的序列的出现次数。如果两个文件中出现的次数匹配，则返回名称。不幸的是，我似乎无法获得第二个文件的正确"总数"。

这就是我目前所拥有的：

Python:

with open(argv[1], 'r') as csvfile:
csvfile_data = csv.reader(csvfile)
next(csvfile_data)          #skip first line
for row in csvfile_data:
list_temp = row

# copy elements into a new list
temp = []
temp.extend(list_temp)

# remove the first element, because its the name
name = temp.pop(0)
# the values attached to the name
csvlist = temp
#change strings in list to integers
csvlist = [int(i) for i in csvlist]
# open dna sequence also
with open(argv[2], 'r') as dnafile:
dnafile_data = dnafile.read()

#use regular expressions to find each sequence's occurence in the file
patterns = re.compile(r'AGATC|TTTTTTCT|AATG|TCTAG|GATA|TATC|GAAA|TCTG')
result = re.findall(patterns, dnafile_data) 

#count each sequence's occurence
dictionary = Counter(result)

#split the key sand values into a new list 
dnalist = dictionary.values()
print(dnalist)

if collections.Counter(csvlist) == collections.Counter(dnalist):
print(name)
else:
print("No match")
```

Answer 1

您可以使用简单的产品推荐引擎背后的逻辑，例如：

def sequence(string):
count_AGAT = string.count('AGAT')
count_AATG = string.count('AATG')
count_TATC = string.count('TATC')
print(count_AGAT)
print(count_AATG)
print(count_TATC)
data_dna = {'Name': ['01'],
'AGAT': [count_AGAT],
'AATG': [count_AATG],
'TATC': [count_TATC]}
df_dna = pd.DataFrame(data_dna)
print(df_dna)

sequence('TCATCTAGGAGGCGCGCGTAGGATAAATAATTCAATTAAGATGTCGTTTTGC...')

您将得到一个数据帧输出，例如：

40
31
42
Name  AGAT  AATG  TATC
0   01    40    31    42

然后将新行附加到已经可用的数据帧：

df = df.append(df_dna, ignore_index = True)
print(df)
df = df.drop('Name',1)
print(df)

输出为：

Name  AGAT  AATG  TATC
0   Jake    28    42    14
1  Chris    17    22    19
2   Anne    36    18    25
3     01    40    31    42
AGAT  AATG  TATC
0    28    42    14
1    17    22    19
2    36    18    25
3    40    31    42

将行保存到单独的变量中：

df_jake = df.iloc[0]
df_chris = df.iloc[1]
df_anne = df.iloc[2]
df_sequence = df.iloc[3]
print(df_jake)

获取输出：

AGAT    28
AATG    42
TATC    14
Name: 0, dtype: int64

并构建一个具有协作过滤功能的推荐引擎(此处提供帮助：https://realpython.com/build-recommendation-engine-collaborative-filtering/)使用空间.距离.欧氏值：

from scipy import spatial
diff_jake = spatial.distance.euclidean(df_sequence, df_jake)
diff_chris = spatial.distance.euclidean(df_sequence, df_chris)
diff_anne = spatial.distance.euclidean(df_sequence, df_anne)
print('Jake: ', diff_jake)
print('Chris: ', diff_chris)
print('Anne: ', diff_anne)

在这个例子中，你得到的输出是：

Jake:  32.38826948140329
Chris:  33.74907406137241
Anne:  21.77154105707724

因此，提供的dna序列可能与安妮的更相似。

您可以使用scipy.spatial.distance.euclean来计算距离两点之间。使用它来计算从A、B和D到C的评分表明距离，C的评级与B的最接近

>>> spatial.distance.euclidean(c, a)
2.5
>>> spatial.distance.euclidean(c, b)
0.5
>>> spatial.distance.euclidean(c, d)
2.23606797749979

你也可以使用余弦距离矢量

要使用角度计算相似性，需要一个返回对于较低角度和较低角度，相似性较高或距离较小相似性或对于更高角度的更大距离。余弦角度是一个随着角度的增加从1减小到-1的函数从0到180。