如何对连字符fasta格式字符串进行编码,以将所有连续的核苷酸和连字符分组并将它们编码为运行长度。
将我的序列视为"ATGC----CGCTA-----G---"。该字符串具有核苷酸序列,后跟连字符序列。我正在尝试将所有连续的核苷酸分组为字母M
,将连续的连字符分组为字母D
,并用子序列的大小作为前缀。
此编码的最终结果应4M4D5M5D1M3D
。
下面的图形进一步解释了它
ATGC----CGCTA-----G---
| | | | | |
V V V V V V
4M 4D 5M 5D 1M 3D
当我使用Counter
或list.count()
时,我得到"M":10 "D":12
:
from collections import Counter
seq="ATGC----CGCTA-----G---"
M=0
D=0
cigar=[]
for char in seq:
if char.isalpha():
M+=1
cigar.append("M")
else:
D+=1
cigar.append("D")
print Counter(cigar)
此问题非常适合 itertools.groupby
实现
from itertools import groupby
''.join('{}{}'.format(len(list(g)), 'DM'[k])
for k, g in groupby(seq, key = str.isalpha))
输出 '4M4D5M5D1M3D'
解释
值得注意的是,关键功能在这里至关重要。根据序列是否是字母对序列进行分组。完成后,应该直接计算每个组的大小并从关键元素中找出组的类型。
代码的一些解释
-
'DM'[k]
: 这只是一种表示"M" if k == True else "D"
的漂亮方式 -
len(list(g))
:确定每个组的大小。或者,它可以写成sum(1 for e in g)
-
'{}{}'.format
:字符串格式,用于创建连续频率和类型的串联 -
''.join(
:将列表元素作为字符串序列连接起来。
import re
seq='ATGC----CGCTA-----G---'
output = ''
for section in re.split('(-*)', seq):
if section.isalpha():
output += str(len(section)) + 'M'
elif section !='':
output += str(len(section)) + 'D'
print output
经典方法:
seq="ATGC----CGCTA-----G---"
def MD(c):
if c.isalpha():return "M"
else : return "D"
count=1
string=""
for i in range(len(seq)-1):
if MD(seq[i])==MD(seq[i+1]): count+=1
else:
string=string+str(count)+MD(seq[i])
count=1
string=string+str(count)+MD(seq[-1])
print string