Python实现DNA简并碱基替换生成所有排列组合存入DataFrame新列

问题原因 #

你原有代码的核心问题有3个：

1. 错误遍历了DNA序列的单个字符做替换，而不是对完整序列执行替换逻辑
2. itertools.product的入参设置错误，没有匹配每个序列中实际存在的SNP位点的可选值，生成的组合和实际需要替换的位点不对应
3. 没有做结果收集，也没有适配DataFrame的批量处理逻辑

可直接运行的解决方案 #

步骤1：定义SNP映射和序列生成函数

import pandas as pd
import itertools

# 给定的SNP碱基映射规则
SNPs = {
    "Y": ['C', 'T'],
    "R": ['A', 'G'],
    "N": ['C', 'G', 'A', 'T']
}

def generate_all_sequences(original_seq):
    # 提取当前序列所有需要替换的位点位置、以及对应可选的碱基列表
    replace_positions = []
    replace_options = []
    for idx, base in enumerate(original_seq):
        if base in SNPs:
            replace_positions.append(idx)
            replace_options.append(SNPs[base])
    
    # 无SNP位点时直接返回原序列
    if not replace_positions:
        return [original_seq]
    
    # 生成所有替换组合的序列
    result = []
    for combo in itertools.product(*replace_options):
        seq_list = list(original_seq)
        for pos, new_base in zip(replace_positions, combo):
            seq_list[pos] = new_base
        result.append(''.join(seq_list))
    return result

步骤2：处理DataFrame

# 示例DataFrame，替换成你自己的原始数据即可
df = pd.DataFrame({
    'raw_dna': [
        'TCCTGTAAATCAAAGGCCAAGRG',
        'GNGCNCCNGAYATRGCNTTYCC',
        'GATTTCTCTYCCTGTTCTTGCA'
    ]
})

# 对原始序列列应用函数，结果存储到新列
df['all_possible_dna'] = df['raw_dna'].apply(generate_all_sequences)

效果验证 #

以你给出的示例序列TCCTGTAAATCAAAGGCCAAGRG为例，函数返回的结果为：
['TCCTGTAAATCAAAGGCCAAGAG', 'TCCTGTAAATCAAAGGCCAAGGG']，和要求的输出一致。

内容的提问来源于stack exchange，提问作者Vasudha Jain