时间戳

首页 > 解决方案 > 如何使用 python 在两个文件中找到匹配的 DNA 序列？

python - 如何使用 python 在两个文件中找到匹配的 DNA 序列？

问题描述

我一直在研究这个问题很长时间，但我似乎无法正确解决这个问题。我已经尝试了我所知道的一切，我真的需要帮助找出问题所在。

我有两个文件：文件 1：序列的名称和数量列表，即：

name,AGAT,AATG,TATC
Jake,28,42,14
Chris,17,22,19
Anne,36,18,25

和文件二：一串DNA“GCTAAATTTGTTCAGCCAGATGTAGGCTTACAAATCAAGCTGTCCGCTCGGCACGGCCTACACACGT...”

这个想法是实施一个程序，根据他们的 DNA 识别一个人。遍历文件 2，并计算文件 1 中提供的序列的出现次数。如果两个文件中出现的次数匹配，则返回名称。不幸的是，我似乎无法为第二个文件获得正确的“总数”。

这是我到目前为止所拥有的：

Python：

with open(argv[1], 'r') as csvfile:
    csvfile_data = csv.reader(csvfile)
    next(csvfile_data)          #skip first line
    for row in csvfile_data:
        list_temp = row
        
        # copy elements into a new list
        temp = []
        temp.extend(list_temp)
        
        # remove the first element, because its the name
        name = temp.pop(0)

        # the values attached to the name
        csvlist = temp
        #change strings in list to integers
        csvlist = [int(i) for i in csvlist]

# open dna sequence also
with open(argv[2], 'r') as dnafile:
    dnafile_data = dnafile.read()
    
    #use regular expressions to find each sequence's occurence in the file
    patterns = re.compile(r'AGATC|TTTTTTCT|AATG|TCTAG|GATA|TATC|GAAA|TCTG')
    result = re.findall(patterns, dnafile_data) 
    
    #count each sequence's occurence
    dictionary = Counter(result)
    
    #split the key sand values into a new list 
    dnalist = dictionary.values()
    print(dnalist)
    
if collections.Counter(csvlist) == collections.Counter(dnalist):
    print(name)
else:
    print("No match")
    ```

标签： pythoncsvdna-sequence

解决方案

您可以使用简单的产品推荐引擎背后的逻辑，例如：

def sequence(string):
    count_AGAT = string.count('AGAT')
    count_AATG = string.count('AATG')
    count_TATC = string.count('TATC')
    print(count_AGAT)
    print(count_AATG)
    print(count_TATC)

    data_dna = {'Name': ['01'],
                    'AGAT': [count_AGAT],
                    'AATG': [count_AATG],
                    'TATC': [count_TATC]}
    df_dna = pd.DataFrame(data_dna)
    print(df_dna)
    
sequence('TCATCTAGGAGGCGCGCGTAGGATAAATAATTCAATTAAGATGTCGTTTTGC...')

您将获得一个数据框输出，例如：

40
31
42
  Name  AGAT  AATG  TATC
0   01    40    31    42

然后将新行附加到已经可用的数据框：

df = df.append(df_dna, ignore_index = True)
print(df)
df = df.drop('Name',1)
print(df)

输出将是：

 Name  AGAT  AATG  TATC
0   Jake    28    42    14
1  Chris    17    22    19
2   Anne    36    18    25
3     01    40    31    42
   AGAT  AATG  TATC
0    28    42    14
1    17    22    19
2    36    18    25
3    40    31    42

将行保存到单独的变量中：

df_jake = df.iloc[0]
df_chris = df.iloc[1]
df_anne = df.iloc[2]
df_sequence = df.iloc[3]
print(df_jake)

获取输出：

AGAT    28
AATG    42
TATC    14
Name: 0, dtype: int64

并使用spatial.distance.euclidean值构建具有协同过滤功能的推荐引擎（帮助：https ://realpython.com/build-recommendation-engine-collaborative-filtering/）：

from scipy import spatial
diff_jake = spatial.distance.euclidean(df_sequence, df_jake)
diff_chris = spatial.distance.euclidean(df_sequence, df_chris)
diff_anne = spatial.distance.euclidean(df_sequence, df_anne)
print('Jake: ', diff_jake)
print('Chris: ', diff_chris)
print('Anne: ', diff_anne)

在此示例中，您获得的输出将是：

Jake:  32.38826948140329
Chris:  33.74907406137241
Anne:  21.77154105707724

所以提供的 dna 序列可能更类似于 Anne 的。

您可以使用 scipy.spatial.distance.euclidean 计算两点之间的距离。用它来计算 A、B 和 D 的评分与 C 的评分之间的距离表明，就距离而言，C 的评分最接近 B 的评分

>>> spatial.distance.euclidean(c, a)
2.5
>>> spatial.distance.euclidean(c, b)
0.5
>>> spatial.distance.euclidean(c, d)
2.23606797749979

您还可以使用余弦距离向量

要使用角度计算相似度，您需要一个函数，该函数为较小的角度返回较高的相似度或较小的距离，并为较高的角度返回较低的相似度或较大的距离。角度的余弦是随着角度从 0 增加到 180 时从 1 减小到 -1 的函数。

推荐阅读