python - 搜索允许在字符串的任何位置出现一个不匹配的字符串

Question

我正在处理长度为 25 的 DNA 序列(参见下面的示例)。我有一个 230,000 的列表，需要在整个基因组中寻找每个序列(弓形虫寄生虫)。我不确定基因组有多大，但比 230,000 个序列长得多。

我需要查找每个 25 个字符的序列，例如 (AGCCTCCCATGATTGAACAGATCAT)。

基因组被格式化为一个连续的字符串，即(CATGGGAGGCTTGCGGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTTGCGGAGTGCGGAGCCTGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTT....)

我不在乎它在哪里或被找到多少次，只关心它是否。
我认为这很简单--

str.find(AGCCTCCCATGATTGAACAGATCAT)

但是我也找到了在任何位置定义为错误(不匹配)的紧密匹配，但只有一个位置，并在序列中记录该位置。我不确定如何做到这一点。我唯一能想到的是使用通配符并在每个位置使用通配符执行搜索。即，搜索 25 次。

例如，

AGCCTCCCATGATTGAACAGATCAT    
AGCCTCCCATGATAGAACAGATCAT

在位置 13 处出现不匹配的紧密匹配。

速度不是什么大问题，因为我只做了 3 次，不过如果速度快就好了。

有执行此操作的程序 - 查找匹配项和部分匹配项 - 但我正在寻找这些应用程序无法发现的部分匹配类型。

这是 perl 的类似帖子，尽管它们只是比较序列而不是搜索连续字符串:

Related post

Answer 1

在继续阅读之前，您看过 biopython 吗？

您似乎希望找到具有一个替换错误和零插入/删除错误(即汉明距离为 1)的近似匹配。

如果您有汉明距离匹配功能(例如，请参阅 Ignacio 提供的链接)，您可以像这样使用它来搜索第一个匹配项:

any(Hamming_distance(genome[x:x+25], sequence) == 1 for x in xrange(len(genome)))

但这会相当慢，因为 (1) 汉明距离函数会在第二次替换错误后继续研磨 (2) 在失败后，它将光标前进一格，而不是根据它看到的内容向前跳过(比如Boyer-Moore 搜索确实如此)。

您可以使用以下函数克服 (1):

def Hamming_check_0_or_1(genome, posn, sequence):
    errors = 0
    for i in xrange(25):
        if genome[posn+i] != sequence[i]:
            errors += 1
            if errors >= 2:
                return errors
    return errors 

注意:这不是 Pythonic，而是 Cic，因为您需要使用 C(可能通过 Cython)才能获得合理的速度。

Navarro 和 Raffinot(谷歌“Navarro Raffinot nrgrep”)已经完成了一些关于跳过位并行近似 Levenshtein 搜索的工作，这可以适应汉明搜索。请注意，位并行方法对查询字符串的长度和字母大小有限制，但您的方法分别是 25 和 4，因此没有问题。更新:对于字母大小为 4 的跳过可能没有多大帮助。

当您在谷歌上搜索汉明距离搜索时，您会注意到很多关于在硬件中实现它的东西，而在软件中却很少。这是一个很大的提示，也许你想出的任何算法都应该用 C 或其他一些编译语言来实现。

更新: 位并行方法的工作代码

我还提供了一种简单的方法来帮助进行正确性检查，并且我打包了 Paul 的 re 代码的变体以进行一些比较。请注意，使用 re.finditer() 会提供不重叠的结果，这可能会导致距离为 1 的匹配掩盖了精确匹配；查看我的最后一个测试用例。

位并行方法具有以下特点:保证线性行为 O(N)，其中 N 是文本长度。注意天真的方法是 O(NM) 和正则表达式方法一样(M 是模式长度)。 Boyer-Moore 风格的方法将是最坏情况 O(NM) 和预期 O(N)。当输入必须被缓冲时，也可以很容易地使用位并行方法:它可以一次输入一个字节或一个兆字节；没有前瞻，缓冲区边界没有问题。最大的优势:用 C 编写的每个输入字节的简单代码的速度。

缺点:模式长度实际上受限于快速寄存器中的位数，例如32 或 64。在这种情况下，图案长度为 25；没问题。它使用与模式中不同字符的数量成比例的额外内存(S_table)。在这种情况下，“字母大小”只有 4；没问题。

来自 this technical report 的详细信息。该算法用于使用 Levenshtein 距离进行近似搜索。为了转换为使用汉明距离，我只是(!)删除了处理插入和删除的语句 2.1 的片段。您会注意到很多带有“d”上标的“R”引用。 “d”是距离。我们只需要 0 和 1。这些“R”成为下面代码中的 R0 和 R1 变量。

# coding: ascii

from collections import defaultdict
import re

_DEBUG = 0


# "Fast Text Searching with Errors" by Sun Wu and Udi Manber
# TR 91-11, Dept of Computer Science, University of Arizona, June 1991.
# http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.20.8854

def WM_approx_Ham1_search(pattern, text):
    """Generate (Hamming_dist, start_offset)
    for matches with distance 0 or 1"""
    m = len(pattern)
    S_table = defaultdict(int)
    for i, c in enumerate(pattern):
        S_table[c] |= 1 << i
    R0 = 0
    R1 = 0
    mask = 1 << (m - 1)
    for j, c in enumerate(text):
        S = S_table[c]
        shR0 = (R0 << 1) | 1
        R0 = shR0 & S
        R1 = ((R1 << 1) | 1) & S | shR0
        if _DEBUG:
            print "j= %2d msk=%s S=%s R0=%s R1=%s" \
                % tuple([j] + map(bitstr, [mask, S, R0, R1]))
        if R0 & mask: # exact match
            yield 0, j - m + 1
        elif R1 & mask: # match with one substitution
            yield 1, j - m + 1

if _DEBUG:

    def bitstr(num, mlen=8):
       wstr = ""
       for i in xrange(mlen):
          if num & 1:
             wstr = "1" + wstr
          else:
             wstr = "0" + wstr
          num >>= 1
       return wstr

def Ham_dist(s1, s2):
    """Calculate Hamming distance between 2 sequences."""
    assert len(s1) == len(s2)
    return sum(c1 != c2 for c1, c2 in zip(s1, s2))

def long_check(pattern, text):
    """Naively and understandably generate (Hamming_dist, start_offset)
    for matches with distance 0 or 1"""
    m = len(pattern)
    for i in xrange(len(text) - m + 1):
        d = Ham_dist(pattern, text[i:i+m])
        if d < 2:
            yield d, i

def Paul_McGuire_regex(pattern, text):
    searchSeqREStr = (
        '('
        + pattern
        + ')|('
        + ')|('.join(
            pattern[:i]
            + "[ACTGN]".replace(c,'')
            + pattern[i+1:]
            for i,c in enumerate(pattern)
            )
        + ')'
        )
    searchSeqRE = re.compile(searchSeqREStr)
    for match in searchSeqRE.finditer(text):
        locn = match.start()
        dist = int(bool(match.lastindex - 1))
        yield dist, locn


if __name__ == "__main__":

    genome1 = "TTTACGTAAACTAAACTGTAA"
    #         01234567890123456789012345
    #                   1         2

    tests = [
        (genome1, "ACGT ATGT ACTA ATCG TTTT ATTA TTTA"),
        ("T" * 10, "TTTT"),
        ("ACGTCGTAAAA", "TCGT"), # partial match can shadow an exact match
        ]

    nfailed = 0
    for genome, patterns in tests:
        print "genome:", genome
        for pattern in patterns.split():
            print pattern
            a1 = list(WM_approx_Ham1_search(pattern, genome))
            a2 = list(long_check(pattern, genome))
            a3 = list(Paul_McGuire_regex(pattern, genome))
            print a1
            print a2
            print a3
            print a1 == a2, a2 == a3
            nfailed += (a1 != a2 or a2 != a3)
    print "***", nfailed