Skip to main content
 首页 » 编程设计

python之将相似的模式合并为单一的共识模式

2024年12月31日8zhenyulu

在previous post ,我没有很好地澄清问题,因此,我想在这里开始一个新的话题。

我有以下元素:

  1. 一个sorted list 59,000 种蛋白质模式(范围从 3 个字符“FFK”到 152 个字符长);

  2. 一些长蛋白质序列,也就是我的引用。

我要将这些模式与我的引用进行匹配,并找到找到匹配项的位置。 (我的 friend 为此编写了一个脚本。)

import sys 
import re 
from itertools import chain, izip 
 
# Read input 
with open(sys.argv[1], 'r') as f: 
    sequences = f.read().splitlines() 
with open(sys.argv[2], 'r') as g: 
    patterns = g.read().splitlines() 
 
# Write output 
with open(sys.argv[3], 'w') as outputFile: 
    data_iter = iter(sequences) 
    order = ['antibody name', 'epitope sequence', 'start', 'end', 'length'] 
    header = '\t'.join([k for k in order]) 
    outputFile.write(header + '\n') 
    for seq_name, seq in izip(data_iter, data_iter): 
        locations = [[{'antibody name': seq_name, 'epitope sequence': pattern, 'start': match.start()+1, 'end': match.end(), 'length': len(pattern)} for match in re.finditer(pattern, seq)] for pattern in patterns] 
        for loc in chain.from_iterable(locations): 
            output = '\t'.join([str(loc[k]) for k in order]) 
            outputFile.write(output + '\n') 
 
f.close() 
g.close() 
outputFile.close() 

问题是,在这 59,000 个模式中,排序后,我发现一个模式的某些部分与其他模式的部分匹配,我想将它们合并成一个大的“共识”模式并保持共识(参见下面的示例):

TLYLQMNSLRAED 
TLYLQMNSLRAEDT 
  YLQMNSLRAED 
  YLQMNSLRAEDT 
  YLQMNSLRAEDTA 
  YLQMNSLRAEDTAV 

会产生

TLYLQMNSLRAEDTAV

另一个例子:

    APRLLIYGASS 
    APRLLIYGASSR 
    APRLLIYGASSRA 
    APRLLIYGASSRAT 
    APRLLIYGASSRATG 
    APRLLIYGASSRATGIP 
    APRLLIYGASSRATGIPD 
  GQAPRLLIY 
KPGQAPRLLIYGASSR 
KPGQAPRLLIYGASSRAT 
KPGQAPRLLIYGASSRATG 
KPGQAPRLLIYGASSRATGIPD 
       LLIYGASSRATG 
       LLIYGASSRATGIPD 
   QAPRLLIYGASSR 

会产生

KPGQAPRLLIYGASSRATGIPD

PS:我在这里将它们对齐以便更容易可视化。这 59,000 个模式最初没有排序,因此很难在实际文件中看到共识。

在我的特定问题中,我没有选择最长的模式,相反,我需要考虑每个模式以找到共识。我希望我已经对我的具体问题进行了足够清楚的解释。

谢谢!

请您参考如下方法:

这是我使用随机输入顺序的解决方案,以提高测试的可信度。

import re 
import random 
 
data_values = """TLYLQMNSLRAED 
TLYLQMNSLRAEDT 
  YLQMNSLRAED 
  YLQMNSLRAEDT 
  YLQMNSLRAEDTA 
  YLQMNSLRAEDTAV 
    APRLLIYGASS 
    APRLLIYGASSR 
    APRLLIYGASSRA 
    APRLLIYGASSRAT 
    APRLLIYGASSRATG 
    APRLLIYGASSRATGIP 
    APRLLIYGASSRATGIPD 
  GQAPRLLIY 
KPGQAPRLLIYGASSR 
KPGQAPRLLIYGASSRAT 
KPGQAPRLLIYGASSRATG 
KPGQAPRLLIYGASSRATGIPD 
       LLIYGASSRATG 
       LLIYGASSRATGIPD 
   QAPRLLIYGASSR""" 
 
test_li1 = data_values.split() 
#print(test_li1) 
 
test_li2 = ["abcdefghi", "defghijklmn", "hijklmnopq", "mnopqrst", "pqrstuvwxyz"] 
 
def aggregate_str(data_li): 
    copy_data_li = data_li[:] 
    while len(copy_data_li) > 0: 
        remove_li = [] 
        len_remove_li = len(remove_li) 
        longest_str = max(copy_data_li, key=len) 
        copy_data_li.remove(longest_str) 
        remove_li.append(longest_str) 
        while len_remove_li != len(remove_li): 
            len_remove_li = len(remove_li) 
            for value in copy_data_li: 
                value_pattern = "".join([x+"?" for x in value]) 
                longest_match = max(re.findall(value_pattern, longest_str), key=len) 
                if longest_match in value: 
                    longest_str_index = longest_str.index(longest_match) 
                    value_index = value.index(longest_match) 
                    if value_index > longest_str_index and longest_str_index > 0: 
                        longest_str = value[:value_index] + longest_str 
                        copy_data_li.remove(value) 
                        remove_li.append(value) 
                    elif value_index < longest_str_index and longest_str_index + len(longest_match) == len(longest_str): 
                        longest_str += value[len(longest_str)-longest_str_index:] 
                        copy_data_li.remove(value) 
                        remove_li.append(value) 
                    elif value in longest_str: 
                        copy_data_li.remove(value) 
                        remove_li.append(value) 
        print(longest_str) 
        print(remove_li) 
 
random.shuffle(test_li1) 
random.shuffle(test_li2) 
aggregate_str(test_li1) 
#aggregate_str(test_li2) 

print() 的输出。

KPGQAPRLLIYGASSRATGIPD 
['KPGQAPRLLIYGASSRATGIPD', 'APRLLIYGASS', 'KPGQAPRLLIYGASSR', 'APRLLIYGASSRAT', 'APRLLIYGASSR', 'APRLLIYGASSRA', 'GQAPRLLIY', 'APRLLIYGASSRATGIPD', 'APRLLIYGASSRATG', 'QAPRLLIYGASSR', 'LLIYGASSRATG', 'KPGQAPRLLIYGASSRATG', 'KPGQAPRLLIYGASSRAT', 'LLIYGASSRATGIPD', 'APRLLIYGASSRATGIP'] 
TLYLQMNSLRAEDTAV 
['YLQMNSLRAEDTAV', 'TLYLQMNSLRAED', 'TLYLQMNSLRAEDT', 'YLQMNSLRAED', 'YLQMNSLRAEDTA', 'YLQMNSLRAEDT'] 

Edit1 - 代码的简要说明。

1.) 查找列表中最长的字符串

2.) 遍历所有剩余的字符串并找到可能的最长匹配。

3.) 确保匹配不是误报。根据我编写此代码的方式,它应该避免在终端端配对单个重叠。

4.) 如有必要,将匹配附加到最长的字符串。

5.) 当没有其他东西可以添加到最长的字符串时,对剩余的下一个最长字符串重复过程(1-4)。

Edit2 - 更正了处理 ["abcdefghijklmn", "ghijklmZopqrstuv"] 等数据时的不良行为