如何更改 for 循环以高效工作 python

Question

我一直坚持使用这个脚本，如果你能帮助我提供意见就太好了。我的问题是我认为脚本效率不高 - 结束需要很多时间运行.

我有一个包含大约 9000 条序列线的 fasta 文件（如下例），我的脚本所做的是：

读取第一行（忽略以 > 开头的行）并生成 6mers（6 个字符块）
将这些 6mers 添加到列表中
对之前的 6mers (list2) 进行反向互补
如果没有反向互补 6mers 在行中，则保存该行。
然后转到文件的下一行，检查它是否包含任何反向互补 6mers（在 list2 中）。如果是，它将丢弃它。如果没有，它保存该行，并将新的所有反向互补 6-mers 读入 list2 - 除了已经存在的反向互补 6-mers。

我的档案：

>seq1
TCAGATGTGTATAAGAGACAGTTATTAGCCGGTTCCAGGTATGCAGTATGAGAA
>seq2
TCAGATGTGTATAAGAGACAGCGCCTTAATGTTGTCAGATGTCGAAGGTTAGAA
>seq3
TCAGATGTGTATAAGAGACAGTGTTACAGCGAGTGTTATTCCCAAGTTGAGGAA
>seq4
TCAGATGTGTATAAGAGACAGTTACCTGGCTGCAATATGGTTTTAGAGGACGAA

这是我的代码：

import sys
from Bio import SeqIO
from Bio.Seq import Seq

def hetero_dimerization():
    script = sys.argv[0]
    file1 = sys.argv[1]
    list = []
    list2 = []
    with open(file1, 'r') as file:
        for record in SeqIO.parse(file, 'fasta'):
            for i in range(len(record.seq)):
                kmer = str(record.seq[i:i + 6])
                if len(kmer) == 6:
                    list.append(kmer)
            #print(record.seq)
            #print(list)

            for kmers in list:
                C_kmer = Seq(kmers).complement()
                list2.append(C_kmer[::-1])
            #print(list2)

            cnt=0
            if any(items in record.seq for items in list2):
                cnt +=1

            if cnt == 0:
                print('>'+record.id)
                print(record.seq)
                
if __name__ == '__main__':
    hetero_dimerization()

如果你能帮助我使这段代码非常高效和快速工作，那就太好了 - 谢谢。

Answer 1

如果我没记错的话，您可以将 .complement() 调用拉到内部 for 循环之外。这也摆脱了第一个列表。

def hetero_dimerization():
    file1 = sys.argv[1]
    list2 = []
    with open(file1, 'r') as file:
        for record in SeqIO.parse(file, 'fasta'):

            complement = record.seq.complement()
            for i in range(len(complement)):
                kmer = str(complement[i:i + 6])
                if len(kmer) == 6:
                    list2.append(kmer[::-1])

            cnt = 0
            if any(items in record.seq for items in list2):
                cnt += 1

            if cnt == 0:
                print('>' + record.id)
                print(record.seq)

此更改将我机器上的运行时间从 20 秒减少到大约 0.5 秒 - 对于大约 500 个序列的相当小的样本。

如何更改 for 循环以高效工作 python

How to change for loop to work efficiently python

python

optimization

performance

for-loop

biopython