字符串长度不等的多序列比对

Question

我需要一种方法来从 3 - 1000 个不同长度的短 (10-20bp) 核苷酸 ("ATCG") 读取中创建一致序列。

一个简化的例子：

"AGGGGC"
"AGGGC"
"AGGGGGC"
"AGGAGC"
"AGGGGG"

应该导致 "AGGGGC".

的一致序列

我在 BioPython 库中找到了进行多序列比对 (MSA) 的模块，但仅限于相同长度的序列。我也熟悉（并已实施）任意长度的两个序列的 Smith-Waterman 样式比对。我想一定有一个库或实现结合了这些元素（MSA over unequal lentghs），但在搜索网络和各种文档数小时后没有找到任何东西。

关于现有 modules/libraries（Python 首选）或程序的任何建议，我可以将其合并到执行此操作的管道中吗？

谢谢！

Answer 1

在序列末尾添加空位字符，使它们的长度都相同。然后您可以使用您选择的程序处理它们，例如肌肉：

from Bio import SeqIO
from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
from Bio.Align.Applications import MuscleCommandline

sequences = ["AGGGGC",
             "AGGGC",
             "AGGGGGC",
             "AGGAGC",
             "AGGGGG"]

longest_length = max(len(s) for s in sequences)
padded_sequences = [s.ljust(longest_length, '-') for s in sequences]
records = (SeqRecord(Seq(s)) for s in padded_sequences)

SeqIO.write(records, "msa_example.fasta", "fasta")

from Bio.Align.Applications import MuscleCommandline
cline = MuscleCommandline(input="msa_example.fasta", out="msa.txt")
print cline

字符串长度不等的多序列比对

Multiple Sequence Alignment with Unequal String Length

python

bioinformatics

dna-sequence

biopython

sequence-alignment