Question

我正在尝试使用外部头文件kseq.h找到用户从大型fasta文件（包含80000个fasta序列）提供的5个ID /名称的fasta序列，如：http://lh3lh3.users.sourceforge.net/kseq.shtml。当我在for循环中运行程序时，我必须一次又一次地打开/关闭大的fasta文件（在代码中注释），这使得计算时间变慢。相反，如果我只在循环外打开/关闭一次，程序会在遇到大型fasta文件中不存在的条目时停止。它到达文件的末尾。谁能建议如何在不损失计算时间的情况下获得所有序列。代码是：

#include <zlib.h>
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <time.h>
#include "ext_libraries/kseq.h"

KSEQ_INIT(gzFile, gzread)

int main(int argc, char *argv[])
{
    char gwidd_ids[100];
    kseq_t *seq;
    int i=0, nFields=0, row=0, col=0;
    int size=1000, flag1=0, l=0, index0=0;

    printf("Opening file %s\n", argv[1]);

    char **gi_ids=(char **)malloc(sizeof(char *)*size);
    for(i=0;i<size;i++)
    {
        gi_ids[i]=(char *)malloc(sizeof(char)*50);
    }
    FILE *fp_inp = fopen(argv[1], "r");
    while(fscanf(fp_inp, "%s", gwidd_ids) == 1)
    {
        printf("%s\n", gwidd_ids);
        strcpy(gi_ids[index0], gwidd_ids);
        index0++;
    }   
    fclose(fp_inp);

    FILE *f0 = fopen("xxx.txt", "w");
    FILE *f1 = fopen("yyy.txt", "w");
    FILE *f2 = fopen("zzz", "w");

    FILE *instream = NULL;
    instream = fopen("fasta_seq_uniprot.txt", "r"); 
    gzFile fpf = gzdopen(fileno(instream), "r");

    for(col=0;col<index0;col++)
    {
        flag1=0;
//      FILE *instream = NULL;
//      instream = fopen("fasta_seq_nr_uniprot.txt", "r"); 
//      gzFile fpf = gzdopen(fileno(instream), "r");
        kseq_t *seq = kseq_init(fpf); 
        while((kseq_read(seq)) >= 0 && flag1 == 0)
        {
            if(strcasecmp(gi_ids[col], seq->name.s) == 0)
            {
                fprintf(f1, ">%s\n", gi_ids[col]);
                fprintf(f2, ">%s\n%s\n", seq->name.s, seq->seq.s);
                flag1 = 1;
            }
        }
        if(flag1 == 0)
        {
            fprintf(f0, "%s\n", gi_ids[col]);
        }
        kseq_destroy(seq);
//      gzclose(fpf); 
    }
    gzclose(fpf); 

    fclose(f0);
    fclose(f1);
    fclose(f2);

    for(i=0;i<size;i++)
    {
        free(gi_ids[i]);
    }
    free(gi_ids);

    return 0;
}

inputfile（fasta_seq_uniprot.txt）的一些示例是：

P21306 MSAWRKAGISYAAYLNVAAQAIRSSLKTELQTASVLNRSQTDAFYTQYKNGTAASEPTPITK P38077 MLSRIVSNNATRSVMCHQAQVGILYKTNPVRTYATLKEVEMRLKSIKNIEKITKTMKIVASTRLSKAEKAKISAKKMD ----------- -----------

用户输入文件是 P37592 \ n Q8IUX1 \ n B3GNT2 \ n Q81U58 \ n P70453 \ n

Answer 1

您的问题与您想象的有点不同。程序在尝试检索数据文件中不存在的序列后停止，这是因为它永远不会重新输入输入。因此，即使对于仅包含数据文件中存在的序列的查询列表，如果请求的序列ID与数据文件的顺序不相同，那么程序将无法找到某些序列（它将通过它们在寻找先前列出的序列时，永远不要返回。）

此外，我认为你观察到的节省时间可能来自于只通过文件一次，而不是每个请求序列的（部分）传递，而不是只打开一次。打开和关闭文件有点贵，但远不如从中读取数十或数百千字节那么昂贵。

要直接回答您的问题，我认为您需要采取以下措施：

将kseq_init(seq)调用移至循环之前。
将kseq_destroy(seq)调用移至循环之后。
调用kseq_rewind(seq)作为循环中的最后一个语句。

这应该会使您的程序再次正常，但它可能会耗尽您所有的时间节省，因为您将返回从每个请求的序列开始扫描文件。

您使用的库似乎仅支持顺序访问。因此，快速完成和工作的最有效方法是反转逻辑：在外部循环中一次读取一个序列，测试每个序列，看看它是否匹配所请求的任何。

假设所请求序列的列表只包含几个条目，例如您的示例，您可能不需要对匹配进行更好的测试，而不仅仅使用内部循环来测试每个请求的序列ID与当时 - 当前序列。但是，如果查询列表可能要长得多，那么您可以考虑将它们放在哈希表中，或者将它们排序为与数据文件相同的顺序，以便更有效地测试匹配。

使用外部库kseq.h读取多个fasta序列

1 个答案: