生成至多 d 不匹配的所有排列

Question

我正在解决一个 DNA 序列汉明距离最大为 d 的模式匹配问题。正则表达式在那里救了我。但现在我遇到了一个不同的问题。给定一个长 DNA 序列，我必须找到最常见的错配 k-mer，最多有 d 个错配。这里k-mer指的是长度为k的子序列。

注：DNA序列只用四个字母即可表示：{A,C,G,T}

例如，

DNA sequence= "AGGC"
k = 3
d = 1

这里，只有两个 k-mers 是可能的：“AGG”、“GGC”

现在，我可以通过运行按照“AGG”和“GGC”的代码

分别用 1 个不匹配项对它们进行置换

def permute_one_nucleotide(motif, alphabet={"A", "C", "G", "T"}):
    import itertools

    return list(
        set(
            itertools.chain.from_iterable(
                [
                    [
                        motif[:pos] + nucleotide + motif[pos + 1 :]
                        for nucleotide in alphabet
                    ]
                    for pos in range(len(motif))
                ]
            )
        )
    )

“AGG”将给出：

['TGG', 'ATG', 'AGG', 'GGG', 'AGT', 'CGG', 'AGC', 'AGA', 'ACG', 'AAG']

而且，“GCC”将给出：

['GCC', 'GAC', 'GGT', 'GGA', 'AGC', 'GTC', 'TGC', 'CGC', 'GGG', 'GGC']

然后我可以使用 Counter 找到最频繁的 k-mer。但是，这仅在 d = 1 时有效。如何将此概括为任何 d <= k?

Answer 1

这是一种计算量大的方法。但是，是的，应该获取所需的。我在这里所做的是计算所有与 hamming dist 1 的不匹配。然后从上一个不匹配计算与 ham dist 1 的新不匹配并递归直到 d.

import itertools

all_c=set('AGCT')
other = lambda x : list(all_c.difference(x))

def get_changed(sub, i):
    return [sub[0:i]+c+sub[i+1:] for c in other(sub[i])]

def get_mismatch(d, setOfMmatch):
    
    if d==0:
        return setOfMmatch
    
    newMmatches=[]
    for sub in setOfMmatch:
        newMmatches.extend(list(map(lambda x : ''.join(x), itertools.chain.from_iterable(([get_changed(sub, i)  for i, c in enumerate(sub)])))))
    
    setOfMmatch=setOfMmatch.union(newMmatches)
    
    return get_mismatch(d-1, setOfMmatch)

dna='AGGC'
hamm_dist=1
length=3

list(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))
# without duplicates
# set(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))

找到性能更好的代码，速度几乎快 10-20 倍

%%time

import itertools, random
from cacheout import Cache
import time

all_c=set('AGCT')
get_other = lambda x : list(all_c.difference(x))

other={}
for c in all_c:
    other[c]=get_other(c) 


def get_changed(sub, i):
    return [sub[0:i]+c+sub[i+1:] for c in other[sub[i]]]

mmatchHash=Cache(maxsize=256*256, ttl=0, timer=time.time, default=None)

def get_mismatch(d, setOfMmatch):
    
    if d==0:
        
        return setOfMmatch
    
    newMmatches=[]
    for sub in setOfMmatch:
        newMmatches.extend(list(map(lambda x : ''.join(x), itertools.chain.from_iterable(([get_changed(sub, i)  for i, c in enumerate(sub)])))))
    
    setOfMmatch=setOfMmatch.union(newMmatches)
    
    if not mmatchHash.get((d-1, str(setOfMmatch)), 0):
        mmatchHash.set((d-1, str(setOfMmatch)), get_mismatch(d-1, setOfMmatch))
        
    return mmatchHash.get((d-1, str(setOfMmatch)))


length_of_DNA=1000
dna=''.join(random.choices('AGCT', k=length_of_DNA))
hamm_dist=4
length=9

len(list(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)])))
# set(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))

CPU次：用户1分32秒，系统：1.81秒，总计：1分34秒挂墙时间：1分34秒

生成至多 d 不匹配的所有排列

Generate all Permutations with at most d Mismatches

python

permutation

bioinformatics

dna-sequence