Question

我想计算一长串序列之间的成对差异的数量，并将其重新放回矩阵形式。

我有几百个基因序列，每个序列已经对齐并且具有相同的长度（大约300个字符）。我不是在寻找编辑距离算法之一（汉明，莱文斯坦等），而是希望获得两个序列之间的绝对差异数。必须在每个字符位置比较序列。

例如，

Sequence 1: "GAT-ACA"
Sequence 2: "AT-GCGA"
Number of differences: 6

（破折号用于允许序列对齐，我的序列也可能包含破折号。）

使用python（或其他语言）是否有任何有效的方法，计算时间短？我也在R中问过这个问题，最初打算这样做，但结果太慢，无法应用于数百个序列。

谢谢！

Answer 1

如果要计算显示对之间差异的矩阵，可以这样做：

import numpy as np

def get_difference(x,y):
    return sum(ele_x != ele_y for ele_x, ele_y in zip(x,y))

my_list = ['abcde','abcwe','zbfwe']
n = len(my_list)

my_array = np.zeros((n,n))
#
for i, ele_1 in enumerate(my_list):
    for j, ele_2 in enumerate(my_list):
        if j >= i:
            break # Since the matrix is symmetrical we don't need to
                  # calculate everything
        difference = get_difference(ele_1, ele_2)  
        my_array[i, j] = difference
        my_array[j, i] = difference

结果：

>>> my_array
array([[ 0.,  1.,  3.],
       [ 1.,  0.,  2.],
       [ 3.,  2.,  0.]])

结果矩阵（OK数组）显示了对之间的差异。

Answer 2

将字符串压缩成元组 - 然后使用sum计算布尔值（即非匹配点）。

s1 = "GAT-ACA"
s2 = "AT-GCGA"

print sum(a != b for (a,b) in zip(s1, s2))

Answer 3

如果我理解得很好，只需：

diff = lambda seq1, seq2: sum(seq1[i]!=seq2[i] for i in range(len(seq1)))

计算大量序列的成对差异矩阵？

3 个答案: