python - 序列与字母注释的“位置感知”对齐

Question

我们有 2 个 DNA 序列(字符串):

>1
ATGCAT
135198
>2
ATCAT

预期输出:首先，我们需要对齐这两个字符串，然后通过索引获取相关注释:

ATGCAT
AT-CAT
13-198

第一部分可以使用Biostrings包完成:

library(Biostrings)

p <- DNAString("ATCAT")
s <- DNAString("ATGCAT")
s_annot <- "135198"

x <- pairwiseAlignment(pattern = p, subject = s)

aligned(x)
# A DNAStringSet instance of length 1
#     width seq
# [1]     6 AT-CAT
as.character(x)
# [1] "AT-CAT"
as.matrix(x)
#     [,1] [,2] [,3] [,4] [,5] [,6]
# [1,] "A"  "T"  "-"  "C"  "A"  "T" 

第二部分的当前解决方法:

annot <- unlist(strsplit(s_annot, ""))
annot[ which(c(as.matrix(x)) == "-") ] <- "-"
# [1] "1" "3" "-" "1" "9" "8"

工作正常，但我想知道是否有 Biostrings 方法(或任何其他包)，也许可以通过将注释保留在元数据槽中，然后在对齐之后，我们得到元数据中匹配碱基的匹配注释，如下所示:

getSlots("DNAString")
#      shared              offset              length     elementMetadata            metadata 
# "SharedRaw"           "integer"           "integer" "DataTable_OR_NULL"              "list" 

# just an idea, non-working code
s@metadata <- unlist(strsplit(s_annot , ""))
x <- pairwiseAlignment(pattern = p, subject = s)
metadata(x)
# [[1]]
# [1] "1" "3" "-" "1" "9" "8"

<小时/>

注意:

• 经作者许可，盗自 BioStars - https://www.biostars.org/p/415896/
• 作者想要 biopython 解决方案，因此添加标签，如果可能的话，也发布 python 解决方案。

Answer 1

可能的解决方案:

dna_fun <- function(s, p, a) {
  s <- strsplit(s, "")[[1]]
  p <- strsplit(p, "")[[1]]
  a <- strsplit(a, "")[[1]]
  ls <- length(s)
  lp <- length(p)

  r <- lapply(c(1,seq(lp)), function(x) {
    v <- rep(1, 5)
    v[x] <- 2
    v
  })

  mat <- sapply(r, rep, x = p)
  tfm <- mat == matrix(rep(s, ls), ncol = ls)
  m <- which.max(colSums(tfm))

  p2 <- mat[, m]
  p2[!tfm[,m]] <- "-"

  a[!tfm[,m]] <- "-"

  p2 <- paste(p2, collapse = "")
  a <- paste(a, collapse = "")

  return(list(p2, a))
}

与:

dna_fun(s1, s2, annot)

你得到:

[[1]]
[1] "AT-CAT"

[[2]]
[1] "13-198"

<小时/>

如果您有相应的向量，则可以将 Map 与 dna_fun 函数一起使用:

s11 <- c("ATGCAT","ATCGAT")
s22 <- c("ATCAT","ATCAT")
annot2 <- c("135198","145892")

lm <- Map(dna_fun, s11, s22, annot2)

data.table::rbindlist(lm, idcol = "dna")

这给出:

      dna     V1     V2
1: ATGCAT AT-CAT 13-198
2: ATCGAT ATC-AT 145-92

<小时/>

数据:

s1 <- "ATGCAT"
s2 <- "ATCAT"
annot <- "135198"