You need to enable JavaScript to run this app. 统计列内不等长DNA序列片段的共现配对及出现次数实现方法
优惠活动
大模型
产品
解决方案
定价
更多

统计列内不等长DNA序列片段的共现配对及出现次数实现方法

DNA片段共现关系统计实现方法

核心处理流程

  • 第一步:数据清洗与片段拆分
    逐行读取原始存储的DNA序列字符串,跳过无分析价值的表头行;对每一行的原始文本做格式标准化:去掉连字符前后的多余空格,用连字符-作为统一分隔符拆分文本,过滤掉拆分后得到的空值,最终得到该行对应的纯片段列表。比如原始文本a34- f12 - r27- fg98 - tr12清洗拆分后,得到片段列表['a34', 'f12', 'r27', 'fg98', 'tr12']。
  • 第二步:生成全量共现配对列表
    对每一行拆分得到的片段列表做如下处理:
    • 如果列表内包含2个及以上片段,按片段在列表内的原始顺序,生成所有下标满足i<j的二元组合,组合的拼接格式为[片段i]- [片段j]——这种生成方式可以避免出现反向重复的配对(例如不会同时出现a-b和b-a),完全匹配示例的枚举格式要求。
    • 如果列表内仅包含1个片段,直接将该片段作为独立条目加入配对列表。
      将所有行生成的条目按处理顺序汇总,即可得到第一类要求的全量共现配对枚举列表。
  • 第三步:配对频次统计
    遍历全量配对列表,用键值对结构做计数:每遇到一个配对条目,对应键的计数值就累加1。最终将计数结果整理为两列结构,一列是配对内容,一列是出现频次count,即可得到第二类要求的带统计值的输出结果。

简易实现参考代码

# 模拟原始输入序列
raw_dna_lines = [
    "xx345- b324- c82- d13- c14",
    "xx345- a22- c14- d13",
    "a34- f12 - r27- fg98 - tr12",
    "z23",
    "xx345"
]
# 存储全量配对
full_pair_list = []
for line in raw_dna_lines:
    # 清洗行文本,拆分片段
    cleaned_line = line.replace(" ", "")
    frag_list = [frag for frag in cleaned_line.split("-") if frag]
    # 生成长度≥2的行内二元组合
    if len(frag_list) >= 2:
        for i in range(len(frag_list)):
            for j in range(i + 1, len(frag_list)):
                pair = f"{frag_list[i]}- {frag_list[j]}"
                full_pair_list.append(pair)
    else:
        # 单片段直接加入列表
        full_pair_list.append(frag_list[0])
# 统计配对频次
pair_freq = {}
for pair in full_pair_list:
    pair_freq[pair] = pair_freq.get(pair, 0) + 1

注:上述代码运行结果和示例中的输出格式、计数逻辑完全匹配,例如xx345- c14会因为在第一行、第二行各出现一次,最终统计值为2,和示例结果一致。

内容的提问来源于stack exchange,提问作者edyvedy13

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.19 10:54:08