python - 在滑动窗口中寻找 k-mers

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不同的9-mers form (500,3)-clumps？ (换句话说，不要多次计算一个 9 聚体。)

我的代码如下。这是错误的，我很想解释为什么，以及如何改进它(显然 O 效率很糟糕，但我几天前开始编写 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 .请继续阅读以获取一些解释。

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

---

这里的这个问题(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。如果你选择正确，你可以在时间上与你的基因组长度成线性关系，在空间上与你的滑动窗口长度成线性关系。但我已经超前了。让我们直观地解释一下这个问题(主要是为了我能够理解它:-))。

在此窗口中有一个 (20,3)- 3 聚体团:“CAT”。还有一些其他的(其中一个是“AAA”)，但这个例子说明了 k、L 和 t 正在做什么。

现在，我们来谈谈算法。让我们进一步简化问题，以便我们可以想象我们将如何解析和存储它:让我们看一个简单的 (5,3)-3 聚体团。

括号表示我们这里宽度为 5 的滑动窗口。我们可以在我们的窗口中看到我们的 3 聚体分解为 ATA、TAA 和 AAA。当我们将窗口向右滑动一个时，ATA 退出，我们获得第二个 AAA。当我们再次向右滑动窗口时，现在 TAA 退出，我们获得了第三个 AAA - 我们找到了 AAA 的 (5,3) block AAAs.

显然，这是微不足道的，但对于弄清楚我们如何处理更大的团 block 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 并将新的添加到窗口的末尾。下一个见解是我们可以使用哈希支持结构(在 python 中，dicts)在我们的窗口内对 k-mers 进行计数。这消除了对我们的数据结构进行线性搜索以确定其中有多少特定 k-mer 的需要。

因此，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 - 窗口中的每个 kmer，以及一个 dict - 或者更好，Counter - 跟踪双端队列中每个 kmer 的频率。请注意 OrderedDict接近于为你完成所有这些，但不完全是；如果它的计数大于 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适当的 sliding window iterator .

综合起来:

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)

如顶部所述，完整的代码 - 包括一些辅助功能和当脚本直接作为 __main__ 运行时的处理 - 在 github here 上.随意 fork 等。