例如......我有两个脚本可供查看(多序列对齐)MSA 是否有超过50列,间隙少于50%。
第一次使用 BioPython 在16281个序列的MSA中使用 4.2秒,其中包含609列(以fasta格式的Pfam的PF00085)。 [Biopython的多序列对齐对象的getitem方法耗费大量时间]
第二个使用简单的IO生成带有MSA的 2D Numpy Array ,在同一个Alignment中只需 1.2秒。
我认为对MSA对象的Numpy方法可以更有用,更快。例如,您可以使用布尔numpy数组来选择特定的行和列。实际上删除和选择列(例如用于消除具有更多50%间隙的列)是非常耗时的并且在Biopython中没有很好地实现。我认为这对于PDB坐标的nx3 numpy数组也很有用。
1 - 基于numpy而不是str创建Seq和Multiple Sequence Alignment对象( Bio.Align.MultipleSeqAlignment )。这可能是兼容性问题......也许这不是一个好主意。我不知道。
2 - 在Biopython中创建一个更快的方法,从Biopython对象中获取numpy数组版本。我尝试为多序列对齐对象生成numpy数组,但这会对 getitem方法进行多次调用,并且比单独使用Biopython更耗时。但是,也许拥有更多编程技能的人可以做得更好。
3 - 创建一个numpy或scipy模块,IO支持Alignments和PDB。也许更简单有用的想法。
4 - 创建另一个完整的Bio模块,但基于numpy。也许在scipy或numpy里面。
5 - 与想法2和3一样,创建模块和方法,以便在Biopython和numpy对象之间实现更快更有效的兼容性。
您怎么看?有什么想法更好?你有更好的主意吗?可以做点什么吗?我想与Biopython项目合作......我认为与numpy的整合可以是一个良好的开端。
非常感谢;)
P.D。:我的两个剧本...... 慢,基于Biopython:
#!/usr/bin/python2.7
from sys import argv
from Bio import AlignIO
aln = AlignIO.read(open(argv[1],"r"), "fasta")
longitud = aln.get_alignment_length()
if longitud > 150:
corte = 0.5 * len(aln)
j = 0
i = 0
while j<50 and i<longitud:
if aln[:,i].count("-") < corte:
j += 1
i += 1
if j>=50:
print argv[1]
最快的基于numpy数组:
#!/usr/bin/python2.7
from sys import argv
import numpy as np
with open(argv[1],'r') as archivo:
secuencias=[]
identificadores=[]
temp=[]
for linea in archivo:
if linea[0]=='>':
identificadores.append(linea[1:].replace('\n',''))
secuencias.append(list(temp))
temp=""
else:
temp += linea.replace('\n','')
secuencias.append(list(temp))
sec = np.array(secuencias[1:])
ide = np.array(identificadores)
if len(ide)>150:
corte = len(ide) * 0.5
if np.sum(np.sum(sec=='-',1) < corte) >= 50:
print argv[1]
答案 0 :(得分:3)
如果您要对MSA对象进行大量操作,将它们视为字符数组,那么我只需使用Biopython的AlignIO加载对齐,然后将其转换为NumPy字符数组。例如:
import numpy as nump
from Bio import AlignIO
filename = "opuntia.aln"
format = "clustal"
alignment = AlignIO.read(filename, format)
align_array = numpy.array([list(rec) for rec in alignment], numpy.character)
这个快速示例可以很容易地作为to_array方法添加到对齐对象中,或者包含在教程中。这有帮助吗?
当然,您仍然需要支付所有对象创建的开销(Seq对象,SeqRecord对象,空注释字典,对齐对象等),但这是AlignIO接口的缺点 - 它适用于相对繁重的对象模型。对于像FASTA和Clustal这样的简单格式,这并不是真正需要的,但对于斯德哥尔摩等丰富的对齐格式更有用。