python计算序列列表中子字符串的存在和不存在的数量

Question

你可以在这里获取数据! 2shared底部下载

我正在使用 Python 分析生物数据。

我写下了一段代码，用于在长字符串列表的列表中查找匹配的子字符串。

子字符串在列表中，长度为 7 个核苷酸。

因此在列表中，从 AAAAAAA 到 TTTTTTT，存在 16384 个基序(子串)，排列 A、C、G、T。

此代码有一个 for 循环，用于子字符串列表和嵌套在其中的长字符串列表列表。

它工作正常，但由于 list of lists 有 12000 行，代码处理速度非常慢。

换句话说，提供有关 AAAAAAA 的信息以及下一个 AAAAAAC 的信息需要 2 分钟。

所以需要 16384 个图案才能通过 12000 行 2 分钟，需要 (16384*2 == 32768 分钟 -> 546 小时 -> 22 天...)

我正在使用 scipy 和 numpy 来获取 Pvalues。

我想要的是计算序列列表中子字符串的存在和不存在的数量

长字符串的列表和代码是这样的:

list_of_lists_long  =  [
[BGN,    -0.054,     AGGCAGCTGCAGCCACCGCGGGGCCTCAGTGGGGGTCTCTGG....]
[ABCB7,  0.109,      GTCACATAAGACATTTTCTTTTTTTGTTGTTTTGGACTACAT....]
[GPR143, -0.137,     AGGGGATGTGCTGGGGGTCCAGACCCCATATTCCTCAGACTC....]
[PLP2,   -0.535,     GCGAACTTCCCTCATTTCTCTCTGCAATCTGCAAATAACTCC....]
[VSIG4,  0.13,       AAATGCCCCATTAGGCCAGGATCTGCTGACATAATTGCCTAG....]
[CCNB3,  -0.071,     CAGCAGCCACAGGGCTAAGCATGCATGTTAACAGGATCGGGA....]
[TCEAL3, 0.189,      TGCCTTTGGCCTTCCATTCTGATTTCTCTGATGAGAATACGA....]
....] #12000 lines

有没有更快的逻辑来更快地执行代码？？

我需要你的帮助!

提前谢谢你。

=====================================

有没有更简单的方法，无需执行任何其他操作？

我认为模式匹配的迭代是问题...

我试图找到的是长度为 7 的基序在整个序列列表中出现了多少次，但也没有出现!!!。因此，如果一个主题出现在一个字符串中，它是 TRUE 作为 bool，然后增加一个值和 FALSE，然后增加另一个值。

不是字符串中的图案数量。

Answer 1

好问题。这是一个经典的计算机科学问题。是的，确实有更好的算法。您的处理每个长字符串 16384 次。更好的方法是只处理每个长字符串一次。

与其在每个长字符串中搜索每个主题，不如只记录每个长字符串中出现了哪些主题。例如，如果您在以下字符串中搜索长度为 2 的基序:

s = 'ACGTAC'

然后你可以在长度为 2 的子字符串上运行一个循环，并记录哪些子字符串出现在 dict 中:

motifAppearances = {}
for i in range(len(s)-1):
    motif = s[i:i+2]                   # grab a length=2 substring
    if motif not in motifAppearances:
        motifAppearances[motif] = 0    # initialize the count
    motifAppearances[motif] += 1       # increment the count

现在您已经对整个字符串进行了恰好一次处理，并找到了其中存在的所有图案。在这种情况下，生成的字典将如下所示:

motifAppearances = {'AC':2, 'CG':1, 'GT':1, 'TA':1}

为您的案例做类似的事情应该可以将您的运行时间减少 16384 倍。