Splicing durch eine Leitung einer Text-Datei mit Python

Question

ich genetische Signaturen erstellen versuchen. Ich habe eine Textdatei voller DNA-Sequenzen. Ich möchte in jeder Zeile aus der Textdatei lesen. Fügen Sie dann 4mers hinzu, die 4 Basen in einem Wörterbuch enthalten. Zum Beispiel: Probensequenz

ATGATATATCTATCAT

Was ich will ist hinzuzufügen ATGA, TGAT, GATA, etc .. in ein Wörterbuch mit IDs, die nur um 1 erhöht, während die 4mers Zugabe.

So wird das Wörterbuch halten ...

Genetic signatures, ID 
ATGA,1 
TGAT, 2 
GATA,3 

Hier ist, was ich bisher haben ...

import sys 

def main(): 
    readingFile = open("signatures.txt", "r") 
    my_DNA="" 

    DNAseq = {} #creates dictionary 

    for char in readingFile: 
     my_DNA = my_DNA+char 

    for char in my_DNA:    
     index = 0 
     DnaID=1 
     seq = my_DNA[index:index+4]   

     if (DNAseq.has_key(seq)): #checks if the key is in the dictionary 
      index= index +1 
     else : 
      DNAseq[seq] = DnaID 
      index = index+1 
      DnaID= DnaID+1 

    readingFile.close() 

if __name__ == '__main__': 
    main() 

ist hier meine Ausgabe:

ACTC 
ACTC 
ACTC 
ACTC 
ACTC 
ACTC 

Dieser Ausgang schlägt vor, dass nicht jedes Zeichen in einer Zeichenfolge durchlaufen wird ... bitte helfen!

Answer 1

Sie benötigen index und DnaID Erklärungen vor der Schleife zu bewegen, sonst werden sie jede Schleifeniterationslatenzzeit zurückgesetzt werden:

index = 0 
DnaID=1 
for char in my_DNA:    
    #... rest of loop here 

Sobald Sie diese Änderung vornehmen, werden Sie diese Ausgabe haben:

ATGA 1 
TGAT 2 
GATA 3 
ATAT 4 
TATA 5 
ATAT 6 
TATC 6 
ATCT 7 
TCTA 8 
CTAT 9 
TATC 10 
ATCA 10 
TCAT 11 
CAT 12 
AT 13 
T 14 

Um die letzten 3 Elemente zu vermeiden, die nicht die richtige Länge haben, können Sie Ihre Schleife ändern:

for i in range(len(my_DNA)-3): 
    #... rest of loop here 

Diese

nicht Schleife durch die letzten 3 Zeichen, so dass die Ausgabe:

ATGA 1 
TGAT 2 
GATA 3 
ATAT 4 
TATA 5 
ATAT 6 
TATC 6 
ATCT 7 
TCTA 8 
CTAT 9 
TATC 10 
ATCA 10 
TCAT 11 

Answer 2

index ist wird auf 0 zurückgesetzt, jedes Mal durch die Schleife, die mit for char in my_DNA: beginnt.

Außerdem glaube ich, die Schleifenbedingung so etwas wie while index < len(my_DNA)-4: mit der Schleife in Einklang stehen soll.

Answer 3

Ihr Indexzähler selbst zurückgesetzt, da sie in der for-Schleife sind.

Darf ich einige weitere Vorschläge zu machen? Meine Lösung würde so aussehen:

readingFile = open("signatures.txt", "r") 
my_DNA="" 

DNAseq = {} #creates dictionary 

for line in readingFile:  
    line = line.strip() 
    my_DNA = my_DNA + line 

ID = 1 
index = 0 
while True: 

    try: 
     seq = my_DNA[index:index+4] 
     if not seq in my_DNA: 
      DNAseq[ID] = my_DNA[index:index+4] 
     index += 4 
     ID += 1 
    except IndexError: 
     break 

readingFile.close() 

Aber was möchten Sie mit Duplikaten tun? Z. B. wenn eine Sequenz wie ATGC zweimal erscheint? Sollten beide unter einer anderen ID hinzugefügt werden, zum Beispiel {...1:'ATGC', ... 200:'ATGC',...} oder sollen diese weggelassen werden?

Answer 4

Wenn ich richtig zu verstehen, Sie zählen, wie oft jede sequentielle Kette von 4 Basen auftritt?Versuchen Sie folgendes:

def split_to_4mers(filename): 
    dna_dict = {} 
    with open(filename, 'r') as f: 
     # assuming the first line of the file, only, contains the dna string 
     dna_string = f.readline(); 
     for idx in range(len(dna_string)-3): 
      seq = dna_string[idx:idx+4] 
      count = dna_dict.get(seq, 0) 
      dna_dict[seq] = count+1 
    return dna_dict 

Ausgabe auf eine Datei, die nur "ATGATATATCTATCAT" enthält:

{'TGAT': 1, 'ATCT': 1, 'ATGA': 1, 'TCAT': 1, 'TATA': 1, 'TATC': 2, 'CTAT': 1, 'ATCA': 1, 'ATAT': 2, 'GATA': 1, 'TCTA': 1} 

Answer 5

Dies sollte Ihnen den gewünschten Effekt.

from collections import defaultdict 

readingFile = open("signatures.txt", "r").read() 
DNAseq  = defaultdict(int) 
window  = 4 

for i in xrange(len(readingFile)): 
    current_4mer = readingFile[i:i+window] 
    if len(current_4mer) == window: 
     DNAseq[current_4mer] += 1 

print DNAseq