python计算序列列表中存在和不存在子串的数量

Question

你可以在这里得到数据! 2下载底部

我正在用python分析生物数据.

我写下了一个代码,用于在长字符串列表中查找匹配的子字符串.

子串在列表中并且具有7个核苷酸的长度.

所以在列表中,从AAAAAAA到TTTTTTT,存在16384个基序(子串),排列A,C,G,T.

这段代码有一个for循环用于子串列表和嵌套在里面的长字符串列表.

它工作正常,但由于列表中包含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.

因此需要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来获得Pvalues.

我想要的是计算序列列表中存在和不存在子串的数量

长字符串列表和代码如下:

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

是否有更快的逻辑来更快地处理代码？

我需要你的帮助!

先感谢您.

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

有没有更简单的方法,没有实施任何其他的东西？

我认为模式匹配的迭代是问题......

我试图找到的是在整个序列列表中出现长度为7个主题的次数,而不是发生的事情!因此,如果一个主题存在于一个字符串中,它作为bool为TRUE,则增加一个值AND 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.这是一个典型的计算机科学问题.是的,确实有更好的算法.你的每个长字符串处理16384次.更好的方法是只处理每个长字符串一次.

而不是在每个长字符串中搜索每个主题,而应该只记录每个长字符串中出现的主题.例如,如果您在以下字符串中搜索长度为2的图案:

s = 'ACGTAC'

然后你可以在长度为2的子串上运行一个循环,并记录下列中出现的循环dict:

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

现在你已经完成了一次整个字符串的处理,并找到了它中存在的所有图案.在这种情况下,生成的dict看起来像:

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

为您的案例做类似的事情应该会缩短您的运行时间16384倍.

Answer 2

我猜问题出在费舍尔的精确测试安装上。如果我在 for 循环之外计算 P 值，那么计算会变得更快。