Python函数优化求助：按规则替换DNA序列中的N碱基

我近期重新使用Python，需要编写脚本处理一批长度相等的DNA序列，替换其中代表错误的N碱基，规则如下：

• 仅当所有输入序列的某一位置均为N时，输出序列的该位置才保留N；
• 若某序列某位置为N，其他序列对应位置有不同核苷酸（如A和T），需生成两种替换后的序列，但不能混合不同序列的信息，替换时需基于同一参考序列的碱基，而非生成所有组合。

输入输出示例 #

现有代码可正确处理的示例 #

1. 输入["ATC", "CGN", "NNN"]，应返回["ATC", "CGC"]
2. 输入["ACG", "TGT", "CAG"]，应返回["ACG", "TGT", "CAG"]
3. 输入["ATN", "GCN", "GGN"]，应返回["ATN", "GCN", "GGN"]

现有代码无法正确处理的示例 #

1. 输入["ACN", "TGT", "NNG"]，应返回['ACT', 'TGG', 'ACG', 'TGT']
2. 输入["NTA", "GNC", "CGN"]，应返回["GTA", "CTA", "GGC", "GTC", "CGA"]
3. 输入["NNA", "CNN", "NGN"]，应返回['NNA', 'CNN', 'NGN']
4. 输入["ACN", "TNT", "NNG"]，应返回['ACT', 'ACG', 'TCT', 'ACG']（TCG为无效选项，因混合了不同序列的信息）

当前实现代码 #

import numpy as np

def procesar_secuencias(secuencias):
    output = []
    secuencias_con_n = [s for s in secuencias if 'N' in s] # check if there are N's

    if len(secuencias_con_n) == 0: # If there are no N's, simply return the sequences as is 
        return secuencias


    a = [] # positions and nt 
    b = []

    for i in range(len(secuencias)): # for all sequences

        for j,k in  enumerate(secuencias[i]): # j is position, k is nt

          if k != 'N': # if it not an N, save the information
            a.append(k)
            b.append(j)

    for s in secuencias: # for all sequences, ie [ATC, CGN, NNN]
        if 'N' in s: # only if s has N's inside
            posiciones_n = [i for i, c in enumerate(s) if c == 'N']  # save the position of the N

            if len(posiciones_n) == len(s): # if there are only N's, go to the next sequence

              break

            else:
              new_seqs = []
              for h in b: # for every "valid" option
                for u in posiciones_n: # for all positions that store an N
                    if h == u: # when there is an available option to change an N for a "valid" nt

                        new_seq = s.replace(s[h], a[u]) # replace said position for a new nt

                        new_seqs.append(new_seq)

            output.extend(new_seqs)

        else:
            # If there are no N's, append directly to the output. 
            output.append(s)


    return np.unique(output)

问题分析 #

当前代码在处理如["ACN", "TGT", "NNG"]这类输入时，输出为['AAG' 'ACT' 'CCG' 'TGT']，不符合预期。问题根源在于：

1. 两层循环的逻辑错误，没有基于完整的参考序列来替换目标序列中的所有N，而是逐个位置单独替换，导致混合不同参考序列的碱基；
2. replace方法的使用不当，会替换序列中所有匹配的字符，而非指定位置的字符。

需要修复逻辑，确保替换时基于完整的参考序列生成新序列，避免混合不同序列的信息。

内容的提问来源于stack exchange，提问作者JuanMacD