Question

我必须编写一个函数，输入一个包含ambiguous symbols (IUPAC)的dna序列的FASTA文件。鉴于FASTA文件的名称和明确的DNA字符串，我想写出序列的标识符（'>'标题），其中给定的序列可以是子序列。我想在不生成所有可能的序列的情况下实现它，并且子序列可以具有不明确的符号以及FASTA文件中的序列。示例：序列“ACC”可以是“CGMBHTW”的子序列。有人可以帮我吗？

Answer 1

您可以尝试定义＆＃34;广义＆＃34;核苷酸作为它代表的一组字母，然后在这些集合的列表中转换序列，并扫描一个序列以确定是否存在与另一个相容的位置。

这可能不是最有效的代码，但似乎有效（仔细检查我得到了循环索引，但是......）。

A = {"A"}
C = {"C"}
G = {"G"}
T = {"T"}
R = A | G
Y = C | T
S = G | C
W = A | T
K = G | T
M = A | C
B = C | G | T
D = A | G | T
H = A | C | T
V = A | C | G
N = {"A", "C", "G", "T"}

letter2nucl = {
    "A" : A,
    "C" : C,
    "G" : G,
    "T" : T,
    "R" : R,
    "Y" : Y,
    "S" : S,
    "W" : W,
    "K" : K,
    "M" : M,
    "B" : B,
    "D" : D,
    "H" : H,
    "V" : V,
    "N" : N}

def is_subseq(seq1, seq2):
    l1 = len(seq1)
    l2 = len(seq2)
    nucls1 = [letter2nucl[letter] for letter in seq1]
    nucls2 = [letter2nucl[letter] for letter in seq2]
    i = 0
    while i < 1 + l2 - l1:
        subseq = True
        for j, nucl in enumerate(nucls1):
            if not (nucls2[i+j] & nucl):
                # empty set intersection
                subseq = False
                break
        if subseq:
            return True
        i += 1
    return False

seq1 = "ACC"
seq2 = "CGMBHTW"

if is_subseq(seq1, seq2):
    print("%s is subsequence of %s" % (seq1, seq2))

seq1 = "GRT"
seq2 = "AATCBAT"

if is_subseq(seq1, seq2):
    print("%s is subsequence of %s" % (seq1, seq2))

结果是：

ACC is subsequence of CGMBHTW
GRT is subsequence of AATCBAT

然后，您可以在使用Biopython的SeqIO函数读取的序列上使用它。

查找fasta序列中的核苷酸子序列

1 个答案: