python - 在字符串中搜索最近的序列

问题描述

在给定参考基因组的情况下，我需要将 contigs 转换为它们各自的蛋白质序列（即，我需要获取一个子字符串，其位置在字符串上已知，并且我需要找到最近的起始和终止密码子 - 一个特定的 3 个字母序列写在代码中）。

这很棘手，因为有时重叠群的第一个位置不会是三的倍数（即重叠群中的前三个核苷酸可能与密码子不完全匹配）。此外，有时重叠群可能位于基因间区域（即基因之间）。目标是分离编码和非编码 DNA。

到目前为止，这是我的代码：

from Bio.Seq import Seq
from Bio.Alphabet import generic_dna, generic_protein

start_codons = ['ATG']
stop_codons = ['TAG', 'TAA', 'TGA']

string = 'GG*TAG*CCAATT*ATG*AACGAA*TAG*GAC' #remove '*', just for visual
contigs = ['CCAA', 'TGAAC', 'GAA', 'GGAC']
positions = [5, 12, 17, 22] #position indices for each contig on string

extended_contigs = []
extended_position_contigs = []
intergenic_contigs = []
intergenic_position_contigs = []
for i in contigs:
    extended_contigs.append(#some code)
    extended_positions_contigs.append(#some code)
    intergenic_contigs.append(#some code)
    intergenic_positions_contigs.append(#some code)

我应该得到extended_contigs = ['ATGAAC', 'ATGAACGAA']和extended_positions_contigs = [12, 17]。这些是位于基因内的重叠群。为了将它们编码成肽，我需要回到字符串中，直到找到起始密码子并扩展初始重叠群（例如TGAAC->ATGAAC和GAA-> ATGAACGAA）

我也应该得到intergenic_contigs = ['CCAA', 'GGAC']and intergenic_positions_contigs = [5, 22]。当丢失的代码运行时，计算机搜索字符串的左侧并TAG在起始密码子之前找到一个终止密码子（例如）。因此，重叠群位于两个基因之间，无需添加任何内容。这些基因间重叠群只是存储在一个新列表中。

我的代码继续：

prot_contigs = []
for i in extended_contigs:
    my_dna = Seq(i, generic_dna)
    my_prot = my_dna.translate()
    prot_contigs.append(str(my_prot))

在这里，不需要添加新代码。以上运行后，prot_contigs = ['MN', 'MNE'].

代码的最后一步（我需要帮助）将转换prot_contigs为new_prot_contigs = ['MN', 'E'].

如何？如果对于任何重叠群（例如'TGAAC'），开头或结尾是另一个密码子的一部分（不是 3 的完美倍数），则将保留两端的额外密码子（例如'MN'保持'MN'）。否则，如果重叠群（例如'GAA'）与密码子完全匹配，则添加到其上的任何内容都将被删除（例如'MNE'变为'E'）。

我会尝试自己解决代码的 2 部分，但我不确定如何在字符串上占据一个位置（即 contig 的起始点）并沿着字符串查找最近的起始/终止密码子，所以我可以确定DNA 的功能和准确地将蛋白质编码重叠群测序成肽。

任何帮助，将不胜感激！

标签： pythonstringbioinformaticsbiopython

python - 在字符串中搜索最近的序列

问题描述

解决方案

推荐阅读