Question

我正在编写一个程序，它必须计算一组字符串的multiple sequence alignment。我想在Python中这样做，但如果更实用，我可以使用外部软件或其他语言。数据不是特别大，我没有强大的性能要求，我可以容忍近似值（即我只需要找到足够好的对齐）。唯一的问题是字符串是常规字符串（即UTF-8字符串可能带有应该被视为常规字符的换行符）;它们不是DNA序列或蛋白质序列。

我可以在生物信息学中找到大量工具和信息，具有特定的复杂文件格式和一系列我不需要的功能，但很难找到简单案例的软件，库或示例代码字符串。我可以重新实现这个问题的许多算法中的任何一个，或者将我的字符串编码为DNA，但必须有更好的方法。你知道任何解决方案吗？

谢谢！

Answer 1

对齐多个序列的最简单方法是进行多次成对比对。

首先获得每对的成对相似度得分并存储这些得分。这是该过程中最昂贵的部分。选择具有最佳相似性得分的对并进行对齐。现在选择与对齐序列集中的一个序列最佳对齐的序列，并基于该成对比对将其与对齐集对齐。重复，直到所有序列都在。

将序列对齐时对齐的序列，（基于a 成对对齐），当你插入一个已经存在的序列中的差距设置，你插入相同的差距放置在对齐的所有序列中集。

Lafrasu建议将SequneceMatcher（）算法用于UTF-8字符串的成对对齐。我所描述的内容为您提供了一种相当轻松，合理的方式将其扩展到多个序列。

如果您感兴趣，它相当于构建一小组对齐序列并将它们对齐在最佳对上。它给出了完全相同的结果，但它是一个更简单的实现。

Answer 2

您是否正在寻找快速而肮脏的东西，如下所示？

from difflib import SequenceMatcher

a = "dsa jld lal"
b = "dsajld kll"
c = "dsc jle kal"
d = "dsd jlekal"

ss = [a,b,c,d]

s = SequenceMatcher()

for i in range(len(ss)):
    x = ss[i]
    s.set_seq1(x)
    for j in range(i+1,len(ss)):

        y = ss[j]
        s.set_seq2(y)

        print
        print s.ratio()
        print s.get_matching_blocks()

Answer 3

我最近编写了一个运行Smith-Waterman算法的python脚本（用于生成DNA或蛋白质序列的缺口局部序列比对）。它几乎肯定不是最快的实现，因为我根本没有优化它的速度（不是我目前的瓶颈），但它有效并且不关心字符串中每个字符的身份。我可以在这里发布或发送给你的文件，如果这是你正在寻找的东西。

Answer 4

MAFFT版本7.120+支持多文本对齐。输入类似FASTA format但是使用LATIN1文本而不是序列，输出与FASTA格式对齐。安装后，它很容易运行：

mafft --text input_text.fa > output_alignment.fa

虽然MAFFT是生物序列比对的成熟工具，但文本比对模式正处于开发阶段，未来的计划包括允许用户定义的评分矩阵。您可以在the documentation中查看更多详细信息。

如何计算文本字符串的多序列对齐方式

4 个答案: