Question

我正在努力解决这个生物信息学问题：https://stepic.org/lesson/An-Explosion-of-Hidden-Messages-4/step/1?course=Bioinformatics-Algorithms-2&unit=8

具体问题在上面链接的第5个窗口，问题是：大肠杆菌基因组中有多少个不同的9聚体形成（500,3）个聚集体？（换句话说，不要多次计算9-mer。）

我的代码如下。这是错误的，我想要解释为什么，以及如何改进它（显然O效率很糟糕，但几天前我开始编写Python ...）非常感谢！

genome = '' #insert e. Coli genome here
k = 4 #length of k-mer
L = 50 #size of sliding window
t = 3 #k-mer appears t times
counter = 0
Count = []


for i in range(0,len(genome)-L): #slide window down the genome
    pattern = genome[i:i+k] #given this k-mer
    for j in range(i,i+L): #calculate k-mer frequency in window of len(L)
        if genome[j:j+k] == pattern:
            counter = counter + 1
    Count.append(counter)
    counter = 0 #IMPORTANT: reset counter after each i

Clump = []
for i in range(0,len(Count)):
    if Count[i] == t: #figure out the window that has k-mers of frequency t
        Clump.append(i)

Output = []
for i in range(0,len(Clump)):
    Output.append(genome[Clump[i]:Clump[i]+k])
print " ".join(list(set(Output))) #remove duplicates if a particular k-mer is found more than once
print len(Output)
print len(list(set(Output))) #total number of Clump(k,L,t)

Answer 1

有趣的问题。 I've put up an implementation with a few tests on github here。继续阅读以获得一些解释。

ben@nixbox:~/bin$ time python kmers.py ../E-coli.txt 9 500 3
(500, 3)-clumps of 9-mers found in that file: 1904

real    0m15.510s
user    0m14.241s
sys     0m0.956s

这里的问题（在大数据中很常见）实际上归结为选择正确的数据结构，并进行一些时间/空间权衡。如果选择正确，您可以按照基因组的长度线性移动，并将空间线性移动到滑动窗口的长度。但我领先于自己。让我们直观地解释问题（主要是因为我可以理解它： - ））。

cats on the internet

在这个窗口中有一个（20,3）块3聚体：“CAT”。还有一些其他的（一个“AAA”），但这个例子说明了k，L和t正在做什么。

现在，关于算法。让我们进一步减少问题所以我们可以想象我们如何解析和存储它：让我们看看一个简单的（5,3） - 3-mers的块。

5-3 clump

Brackets在这里表示我们的宽度为5的滑动窗口。我们可以看到，在我们的窗口中，我们的3-mers分解为ATA，TAA和AAA。当我们向右滑动窗口时，ATA会退出，我们会获得第二个AAA。当我们将窗口向右滑动时，现在TAA退出，我们获得了第三个AAA - 我们找到了{5}个AAA的丛。

显然，显而易见的是微不足道，但是对于弄清楚我们如何处理更大的团块很有用 - 重要的是，当我们移动窗口时，我们不会丢弃整个先前窗口的数据;我们只是丢弃第一个k-mer并在窗口末尾添加新的k-mer。下一个见解是我们可以使用哈希支持的结构（在python中，dict s）在我们的窗口中对k-mers进行计数。这消除了线性搜索我们的数据结构以确定其中有多少特定k-mer的需要。

所以这两个要求 - 记住插入顺序和哈希支持的数据结构 - 意味着我们应该创建一个自定义类来维护list - 或者更好，deque - 每个kmer您在窗口中拥有dict - 或更好，Counter - 以跟踪您的双端队列中每个kmer的频率。请注意，OrderedDict接近为您完成所有这些，但并不完全;如果计数大于1，则弹出最老的kmer是错误的。

您真正应该用来简化代码的另一件事是合适的sliding window iterator。

全部放在一起：

def get_clumps(genome, k, L, t):
    kmers = KmerSequence(L-k, t)

    for kmer in sliding_window(genome, k):
        kmers.add(kmer)

    return kmers.clumps

class KmerSequence(object):
    __slots__ = ['order', 'counts', 'limit', 'clumps', 't']

    def __init__(self, limit, threshold):
        self.order = deque()
        self.counts = Counter()
        self.limit = limit
        self.clumps = set()
        self.t = threshold

    def add(self, kmer):
        if len(self.order) > self.limit:
            self._remove_oldest()
        self._add_one(kmer)

    def _add_one(self,kmer):
        self.order.append(kmer)
        new_count = self.counts[kmer] + 1
        self.counts[kmer] = new_count

        if new_count == self.t:
            self.clumps.add(kmer)

    def _remove_oldest(self):
        self.counts[self.order.popleft()] -= 1

用法：

with open(genomefile) as f:
    genome = f.read()

k = 9
L = 500
t = 3

clumps = get_clumps(genome, k,L,t)

如上所述，完整代码 - 包括一些附件函数以及脚本直接作为__main__运行时的处理 - 在github上here。随意分叉等。

Answer 2

只是另一种实现

def findClumps(genome, k, L, t):
    length = len(genome) - k + 1
    indexes = defaultdict(list)
    result = set()

    for i in range(length):
        kterm = genome[i:i + k]

        # remove positions with distance > L
        while indexes[kterm] and i + k - indexes[kterm][0] > L:
            indexes[kterm].pop(0)

        # add current kterm position
        indexes[kterm].append(i)

        if len(indexes[kterm]) == t:
            result.add(kterm)

    return result

filename = 'E-coli.txt'
file = open(filename)
genome = file.read()
k=9
L=500
t=3

def test():
    print findClumps(genome, k, L, t)

import cProfile

cProfile.run('test()')

在滑动窗口中找到k-mers

2 个答案: