Question

编程语言：Python 3.4

我已经为Coursera的生物信息学1课程编写了一个程序。该程序正常运行，但对于大型数据集非常慢。我想，这是因为循环运行了4 ** k次，其中k是传递给函数的子字符串的长度。输入：字符串文本和模式以及整数 d 。输出： Pattern 显示为Text的子字符串的所有起始位置，最多 d 不匹配。

这是我的代码：

def MotifCount(string1, substring, d):
    k = 4 ** (len(substring))
    codeArray = list(itertools.product(['A', 'C', 'G', 'T'], repeat=len(substring)))
    for i in range(k):
        codeArray2 = ''.join(list(codeArray[i]))
        HammingValue = HammingDistance(codeArray2, substring)
        if HammingValue <= d:
            for j in range(len(string1)):
                if(string1.find(codeArray2, j) == j):
                    print(j)



def HammingDistance(string_1, string_2):
    length_1 = len(string_1)
    length_2 = len(string_2)
    count = 0
    for i in range(length_1):
        if string_1[i] != string_2[i]:
            count += 1
    return count

示例输入：

CGCCCGAATCCAGAACGCATTCCCATATTTCGGGACCACTGGCCTCCACGGTACGGACGTCAATCAAAT
ATTCTGGA
3

输出：

6 7 26 27

我想为更大的数据集优化此代码。有没有办法减少代码的运行时间？

Answer 1

import itertools

def HammingDistance(string_1, string_2):
    assert len(string_1) == len(string_2)
    return sum(c1 != c2 for c1, c2 in zip(string_1, string_2))

def MotifCount(string1, substring, d):
    for i in range(len(string1) - len(substring) + 1):
        if HammingDistance(string1[i:i+len(substring)], substring) <= d:
            print(i)

MotifCount("CGCCCGAATCCAGAACGCATTCCCATATTTCGGGACCACTGGCCTCCACGGTACGGACGTCAATCAAAT", "ATTCTGGA", 3)

它给出了：

快速。

如何优化运行4 ** k次的python脚本？

1 个答案: