python - 随机 DNA 突变发生器

Question

我想为一系列突变的 DNA 链创建一个字典的字典，每个字典都展示原始碱基以及它突变后的碱基。

详细来说，我想做的是创建一个生成器，允许输入特定的 DNA 链，并让它生成 100 个随机生成的链，其突变频率为 0.66%(这适用于每个碱基，并且每个碱基都可以突变为任何其他碱基)。然后，我想做的是创建一系列字典，其中每个字典详细说明特定随机生成的链中发生的突变。我希望键是原始基数，值是新的变异基数。有没有一种简单的方法可以做到这一点？到目前为止，我一直在尝试一个如下所示的循环:

#yields a strand with an A-T mutation frequency of 0.066%
def mutate(string, mutation, threshold):
    dna = list(string)
    for index, char in enumerate(dna):
        if char in mutation:
            if random.random() < threshold:
                dna[index] = mutation[char]

    return ''.join(dna)

dna = "ATGTCGTACGTTTGACGTAGAG"
print("DNA first:", dna)
newDNA = mutate(dna, {"A": "T"}, 0.0066)
print("DNA now:", newDNA)

但是我只能用这段代码产生一条链，而且它只关注 T-->A 突变。我也不确定如何将字典与此联系起来。有人可以告诉我更好的方法吗？谢谢。

Answer 1

听起来您的问题有两个部分。第一个是您想要对 DNA 序列进行多次突变，第二个是您想要收集有关某种数据结构中的突变的一些附加信息。我将分别处理每一个。

从同一源字符串生成 100 个随机结果非常容易。您可以使用显式循环(例如，在生成器函数中)来完成此操作，但您也可以轻松地使用列表理解来一遍又一遍地运行单突变函数:

results = [mutate(original_string) for _ in range(100)]

当然，如果你让mutate函数变得更复杂，这个简单的代码可能就不合适了。如果它返回某种更复杂的数据结构，而不仅仅是字符串，您可能需要进行一些额外的处理，以按照您想要的格式组合数据。

至于如何构建这些数据结构，我认为您已有的代码是一个很好的开始。您需要确定要如何访问数据，然后让它引导您选择正确类型的容器。

例如，如果您只想简单记录字符串上发生的所有突变，我建议使用一个基本列表，其中包含突变之前和之后的基数元组。另一方面，如果您希望能够有效地查找给定碱基突变的内容，则以列表作为值的字典可能更合适。如果您愿意，您还可以包含突变碱基的索引。

这是一个快速尝试的函数，该函数返回突变的字符串以及记录所有突变的元组列表:

bases = "ACGT"

def mutate(orig_string, mutation_rate=0.0066):
    result = []
    mutations = []
    for base in orig_string:
        if random.random() < mutation_rate:
            new_base = bases[bases.index(base) - random.randint(1, 3)] # negatives are OK
            result.append(new_base)
            mutations.append((base, new_base))
        else:
            result.append(base)
    return "".join(result), mutations

这段代码中最棘手的一点是我如何选择当前基地的替代品。表达式 bases[bases.index(base) - random.randint(1, 3)] 一次性完成了这一切。让我们分解不同的部分。 bases.index(base) 给出了代码顶部全局 bases 字符串中前一个碱基的索引。然后我从此索引中减去随机偏移量 (random.randint(1, 3))。新索引可能是负数，但这没关系，因为当我们使用它来索引回 bases 字符串 (bases[...]) 时，负索引从右边，而不是左边。

使用方法如下:

string = "ATGT"
results = [mutate(string) for _ in range(100)]
for result_string, mutations in results:
    if mutations: # skip writing out unmutated strings
        print(result_string, mutations)

对于短字符串，例如“ATGT”，您不太可能获得多个突变，甚至一个突变也非常罕见。上面的循环每次运行都会打印 2 到 4 个结果(也就是说，超过 95% 的长度为 4 的字符串根本没有发生突变)。较长的字符串会更频繁地发生突变，并且您更有可能在一个字符串中看到多个突变。