你好,我需要你的帮助来完成一项复杂的任务。
这是一个file1.txt
:
>Name1.1_1-40_-__Sp1
AAAAAACC-------------
>Name1.1_67-90_-__Sp1
------CCCCCCCCC------
>Name1.1_90-32_-__Sp1
--------------CCDDDDD
>Name2.1_20-89_-__Sp2
AAAAAACCCCCCCCCCC----
>Name2.1_78-200_-__Sp2
-------CCCCCCCCCCDDDD
想法是创建一个名为 file1.txt_Hsp
的新文件如:
>Name1.1-3HSPs-__Sp1
AAAAAACCCCCCCCCCDDDDD
>Name3.1_-__Sp2
AAAAAACCCCCCCCCCC----
>Name4.1_-__Sp2
-------CCCCCCCCCCCCCC
所以基本上这个想法是:
- 比较每个序列
from the same SpN
<--(这里非常重要,只有具有相同的 SpN 名称)彼此在file1.txt
。 例如,我必须比较: -
Name1.1_1-40_-__Sp1 vs Name1.1_67-90_-__Sp1
-
Name1.1_1-40_-__Sp1 vs Name1.1_90-32_-__Sp1
-
Name1.1_67-90_-__Sp1 vs Name1.1_90-32_-__Sp1
-
Name2.1_20-89_-__Sp2 vs Name2.1_78-200_-__Sp2
例如,当我比较时:
Name1.1_1-40_-__Sp1 vs Name1.1_67-90_-__Sp1
我得到:
>Name1.1_1-40_-__Sp1
AAAAAACC-------------
>Name1.1_67-90_-__Sp1
------CCCCCCCCC------
这里我想连接两个序列 if ratio between number of letter matching with another letter / nb letter matching with a (-)
是 < 0.20`。
这里例如有21 characters
,与另一个字母匹配的字母数量 = 2 ( C and C
)。
以及与 -
匹配的字母数量,是13
(AAAAAA+CCCCCCC
)
所以
ratio = 2/15 : 0.1538462
如果这个 ratio < 0.20
然后我想连接这两个序列,例如:
>Name1.1-2HSPs_-__Sp1
AAAAAACCCCCCCCC------
(正如您所见,新序列的名称现在是:Name.1-2HSPs__-__Sp1,其中 2 表示有 2 个序列连接)因此我们删除了 XHSPS 的数字部分,其中 X 是数字的序列连接。 并获取 file1.txt_Hsp :
>Name1.1-2HSPs_-__Sp1
AAAAAACCCCCCCCC------
>Name1.1_90-32_-__Sp1
--------------CCDDDDD
>Name2.1_20-89_-__Sp2
AAAAAACCCCCCCCCCC----
>Name2.1_78-200_-__Sp2
-------CCCCCCCCCCDDDD
然后我用 Name1.1-2HSPs_-__Sp1 vs Name1.1_90-32_-__Sp1
再次执行此操作
>Name1.1-2HSPs_-__Sp1
AAAAAACCCCCCCCC------
>Name1.1_90-32-__Sp1
--------------CCDDDDD
Where ratio = 1/20 = 0.05
然后因为ratio is < 0.20
我想连接这两个序列,例如:
>Name1.1-3HSPs_-__Sp1
AAAAAACCCCCCCCCCDDDDD
(如您所见,新序列的名称现在为:Name.1-3HSPs__-__Sp1,其中 3 表示有 3 个序列连接)
file1.txt_Hsp:
>Name1.1-3HSPs_-__Sp1
AAAAAACCCCCCCCCCDDDDD
>Name2.1_20-89_-__Sp2
AAAAAACCCCCCCCCCC----
>Name2.1_78-200_-__Sp2
-------CCCCCCCCCCDDDD
然后我用 Name2.1_20-89_-__Sp2
再次执行此操作与 Name2.1_78-200_-__Sp2
>Name2.1_20-89_-__Sp2
AAAAAACCCCCCCCCCC----
>Name2.1_78-200_-__Sp2
-------CCCCCCCCCCDDDD
Where ratio = 10/11 = 0.9090909
然后因为ratio is > 0.20
我什么都不做,得到了最终的file1.txt_Hsp
:
>Name1.1-3HSPs_-__Sp1
AAAAAACCCCCCCCCCDDDDD
>Name2.1_20-89_-__Sp2
AAAAAACCCCCCCCCCC----
>Name2.1_78-200_-__Sp2
-------CCCCCCCCCCDDDD
这就是我需要的最终结果。
最简单的例子是:
>Name1.1_10-60_-__Seq1
AAA------
>Name1.1_70-120_-__Seq1
--AAAAAAA
>Name2.1_12-78_-__Seq2
--AAAAAAA
比例为1/8 = 0.125
因为只有 1 个字母匹配,而 8 个字母则因为 8 个字母与 (-) 匹配
因为 ratio < 0.20
我将两个序列 Seq1 连接到:
>Name1.1_2HSPs_-__Seq1
AAAAAAAAA
新文件应该是:
>Name1.1_2HSPs_-__Seq1
AAAAAAAAA
>Name2.1_-__Seq2
--AAAAAAA
** 这是我的真实数据的示例 **
>YP_009186705
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKLDDEIFYKSLNQSNL
ALPFDQSVNPVSFSMISSHDLIA
>XO009980.1_26784332-20639090_-__Agapornis_vilveti
------------------------------------------------------LNQSNL
ALPFDQSVNPVSFSMISSHDLIA
>CM009917.1_20634332-20634508_-__Neodiprion_lecontei
---CDSWMIKFFARISQMC---IKIHSKYEEVSFFLFQSK--KKKIADSHFFRSLNQDTA
-------LNTVSY----------
>XO009980.1_20634508-20634890_-__Agapornis_vilveti
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKL--------------
-----------------------
>YUUBBOX12
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKLDDEIFYKSLNQSNL
ALPFDQSVNPVSFSMISSHDLIA
我应该得到:
>YP_009186705
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKLDDEIFYKSLNQSNL
ALPFDQSVNPVSFSMISSHDLIA
>XO009980.1_2HSPs_-__Agapornis_vilveti
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKLLNQSNL
ALPFDQSVNPVSFSMISSHDLIA
>CM009917.1_20634332-20634508_-__Neodiprion_lecontei
---CDSWMIKFFARISQMC---IKIHSKYEEVSFFLFQSK--KKKIADSHFFRSLNQDTA
-------LNTVSY----------
>YUUBBOX12
MMSCQSWMMKYFTKVCNRSNLALPFDQSVNPVSFSMISSHDVMLKLDDEIFYKSLNQSNL
ALPFDQSVNPVSFSMISSHDLIA
XO009980.1_26784332-20639090_-__Agapornis_vilveti
之间的比率和XO009980.1_20634508-20634890_-__Agapornis_vilveti
是:0/75 = 0
如您所见,某些序列没有 [\d]+[-]+[\d]
模式如YP_009186705
或YUUBBOX12
,这些不必串联,只需将它们添加到输出文件中即可。
非常感谢您的帮助。
最佳答案
首先,让我们将文本文件读入(name, seq)的元组
:
with open('seq.txt', 'r+') as f:
lines = f.readlines()
seq_map = []
for i in range(0, len(lines), 2):
seq_map.append((lines[i].strip('\n'), lines[i+1].strip('\n')))
#[('>Name1.1_10-60_-__Seq1', 'AAA------'),
# ('>Name1.1_70-120_-__Seq1', '--AAAAAAA'),
# ('>Name2.1_12-78_-__Seq2', '--AAAAAAA')]
#
# or
#
# [('>Name1.1_1-40_-__Sp1', 'AAAAAACC-------------'),
# ('>Name1.1_67-90_-__Sp1', '------CCCCCCCCC------'),
# ('>Name1.1_90-32_-__Sp1', '--------------CCDDDDD'),
# ('>Name2.1_20-89_-__Sp2', 'AAAAAACCCCCCCCCCC----'),
# ('>Name2.1_78-200_-__Sp2', '-------CCCCCCCCCCDDDD')]
然后我们定义辅助函数,每个函数用于检查 concat,然后 concat 用于 seq,并合并名称(使用嵌套辅助函数来获取 HSP 计数):
import re
def count_num(x):
num = re.findall(r'[\d]+?(?=HSPs)', x)
count = int(num[0]) if num and 'HSPs' in x else 1
return count
def concat_name(nx, ny):
count, new_name = 0, []
count += count_num(nx)
count += count_num(ny)
for ind, x in enumerate(nx.split('_')):
if ind == 1:
new_name.append('{}HSPs'.format(count))
else:
new_name.append(x)
new_name = '_'.join([x for x in new_name])
return new_name
def concat_seq(x, y):
mash, new_seq = zip(x, y), ''
for i in mash:
if i.count('-') > 1:
new_seq += '-'
else:
new_seq += i[0] if i[1] == '-' else i[1]
return new_seq
def check_concat(x, y):
mash, sim, dissim = zip(x, y), 0 ,0
for i in mash:
if i[0] == i[1] and '-' not in i:
sim += 1
if '-' in i and i.count('-') == 1:
dissim += 1
return False if not dissim or float(sim)/float(dissim) >= 0.2 else True
然后我们将编写一个脚本来按顺序运行元组,检查 spn 匹配,然后 concat_checks,并为下一次比较进行新的配对,并在必要时添加到最终列表:
tmp_seq_map = seq_map[:]
final_seq = []
for ind in range(1, len(seq_map)):
end = True if ind == len(seq_map)-1 else False
pair_a = tmp_seq_map[ind-1]
pair_b = tmp_seq_map[ind]
name_a = pair_a[0][:]
name_b = pair_b[0][:]
if name_a.split('__')[1] == name_b.split('__')[1]:
if check_concat(pair_a[1], pair_b[1]):
new_name = concat_name(pair_a[0], pair_b[0])
new_seq = concat_seq(pair_a[1], pair_b[1])
tmp_seq_map[ind] = (((new_name, new_seq)))
if end:
final_seq.append(tmp_seq_map[ind])
end = False
else:
final_seq.append(pair_a)
else:
final_seq.append(pair_a)
if end:
final_seq.append(pair_b)
print(final_seq)
#[('>Name1.1_2HSPs_-__Seq1', 'AAAAAAAAA'),
# ('>Name2.1_12-78_-__Seq2', '--AAAAAAA')]
#
# or
#
#[('>Name1.1_3HSPs_-__Sp1', 'AAAAAACCCCCCCCCCDDDDD'),
# ('>Name2.1_20-89_-__Sp2', 'AAAAAACCCCCCCCCCC----'),
# ('>Name2.1_78-200_-__Sp2', '-------CCCCCCCCCCDDDD')]
请注意,我仅检查了文本文件中连续序列的串联,并且您必须重新使用我在不同脚本中编写的方法来计算组合。我将其留给您自行决定。
希望这有帮助。 :)
关于python - 根据相似性百分比连接文件中的多个 seq,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59114817/