例如......如果(多序列比对)MSA具有超过50列且间隙小于50%,我有两个脚本可供查看.
第一次使用BioPython需要4.2秒的MSA 16281序列和609列(PFF85的Pfam以fasta格式).[Biopython的多序列对齐对象的getitem方法耗费大量时间]
第二个使用简单的IO生成带有MSA 的2D Numpy阵列,在同一个Alignment中仅需1.2秒.
我认为对MSA对象的Numpy方法可以更有用,更快.例如,您可以使用布尔numpy数组来选择特定的行和列.实际上删除和选择列(例如用于消除具有更多50%间隙的列)是非常耗时的并且在Biopython中没有很好地实现.我认为这对于PDB坐标的nx3 numpy数组也很有用.
1 - 基于numpy而不是str 创建Seq和Multiple Sequence Alignment对象(Bio.Align.MultipleSeqAlignment).这可能是兼容性的问题......也许这不是一个好主意.我不知道.
2 - 在Biopython中创建一个更快的方法,从Biopython对象中获取numpy数组版本.我尝试为Multiple Sequence Alignment对象生成numpy数组,但这会对getitem方法进行多次调用,并且比单独使用Biopython更耗时.但是,也许拥有更多编程技能的人可以做得更好.
3 - 创建一个numpy或scipy模块,IO支持Alignments和PDB.也许更简单有用的想法.
4 - 创建另一个完整的生物模块,但基于numpy.也许在scipy或numpy内.
5 - 与想法2和3一样,创建模块和方法,以便在Biopython和numpy对象之间实现更快更有效的兼容性.
你怎么看？有什么想法更好？你有更好的主意吗？可以做点什么吗？我想与Biopython项目合作......我认为与numpy的整合可能是一个良好的开端.
非常感谢 ;)
PD:我的两个脚本......慢,基于Biopython:
#!/usr/bin/python2.7
from sys import argv
from Bio import AlignIO
aln = AlignIO.read(open(argv[1],"r"), "fasta")
longitud = aln.get_alignment_length()
if longitud > 150:
corte = 0.5 * len(aln)
j = 0
i = 0 …