Question

今天我又遇到了一个问题。

我的文件看起来像：

档案A

>chr1
ACGACTGACTGTCGATCGATCGATGCTCGATGCTCGACGATCGTGCTCGATC
>chr2
GTGACGCACACGTGCTAGCGCTGATCGATCGTAGCTCAGTCAG
>chr3
CAGTCGTCGATCGTCGATCGTCG

等等（基本上是FASTA文件）。

在其他文件中，我有一个很好的制表符分隔我的阅读信息：

档案B

chr2 0 * 2S3M5I2M1D3M * CACTTTTTGTCTA NM:i:6

这两个文件都非常庞大

我想写下需要完成的所有事情，只有我遇到问题的部分：

如果文件B中的chr2与文件A中的行＆gt; chr2匹配，则按文件A的顺序查找CACTTTTTGTCTA（fileB）（仅在＆gt; chr2区域中按顺序查找。接下来＆gt; chr是不同的染色体所以我不喜欢我想在那里搜索。

为了简化这一点，我们来看一下：文件A中的CACACGTGCTAG序列

我正在尝试将字典用于文件A，但这完全不可行。

有什么建议吗？

Answer 1

类似的东西：

for req in fileb:
   (tag, pattern) = parseB(req)
   tag_matched = False
   filea = open(file_a_name)
   for line in filea:
       if line.startswith('>'):
           tag_matched = line[1:].startswith(tag)
       elif tag_matched and (line.find(pattern) > -1)
           do_whatever()
    filea.close

如果你可以编写一个parseB函数，那么应该完成这项工作。

Answer 2

字典查找速度很快，因此看起来需要花费很长时间的部分必须在序列中进行搜索。 string.contains（）是用C实现的，所以非常有效。如果这还不够快，您可能需要使用更专业的算法来提高效率，如下所述：Python efficient way to check if very large string contains a substring

在非制表符分隔文件中查找序列

2 个答案: