Question

我有一个包含独特蛋白质对的文件，即阳性数据集。我们称之为infile。下面是一个infile内容的例子：

Q9VRA8  A1ZBB4
Q03043  Q9VX24
B6VQA0  Q7KML2

条目以制表符分隔。随机数据集，我们称之为outfile，必须包含单个蛋白质的组合，其方式是它们无法以任何顺序匹配的内容。例如，对于上面的第一行，随机化的outfile不能包含以下对：

Q9VRA8  A1ZBB4
A1ZBB4  Q9VRA8

此外，生成的阴性数据集必须包含正数据集中完全相同数量的蛋白质对。为了解决这个问题，我尝试了以下方法：

# Read original file
data = list(infile.readlines())
ltotal = len(data)
lwritten = 0

# Split original file in words
with open (infilename, 'rt') as infile:
    pairs = set(frozenset(line.split()) for line in infile)
words = list(itertools.chain.from_iterable(pairs))
random.shuffle(words)

# Obtain pairs of words
with open(outfilename, 'wt') as outfile:
    for pair in itertools.izip(*[iter(words)] * 2):
        if frozenset(pair) not in pairs and lwritten != ltotal:
            outfile.write("%s\t%s\n" % pair)
            lwritten += 1

这很有效。然而，infile总共有856471行，outfile获得不同范围的蛋白质对，最小值为713000。

我如何解决这个问题，因此产生的对数与infile完全相同？另外，我无法解决反向对订单问题。这两个问题都有想法吗？

提前致谢。

Answer 1

对于独立于订单的否决对，我只是将两个订单放入我的对列表中：即我将line.split()和line.split()[::-1]添加到对的集合中。

要生成更多对，而不是迭代单词列表，只需选择随机对（可能使用random.choice？）然后根据无效对列表对其进行否决（您可能还需要考虑生成“A1ZBB4 A1ZBB4”对并适当行动的情况。只要你愿意，你就可以继续这样做。由于您需要确保输出仅包含唯一元素，因此输出项可以在生成时添加到否决列表中（或作为单独的否决列表进行维护）。

如果您想减少内存占用，可以设置：

pairs是否决对的集合，但每对都在内部排序，即如果您读取“Q9VRA8 A1ZBB4”，则将其存储为“A1ZBB4，Q9VRA8”对。</ li>
您生成上面的随机对，检查该对的排序版本是否在您的否决列表中，如果是，请忽略它。

Python算法从正数据集中获取随机负数据集

1 个答案: