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。
- 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
- 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
相关产品推荐

