Python统计如何进行DNA序列整理

Python统计如何进行DNA序列整理

Python统计在我们的使用中有很多的障碍，其中在DNA序列上的相关问题就需要我们不断的去学习。下面我们就向大家介绍有关的问题，希望在以后Python统计的使用过程中有所收获。

给定一堆DNA序列，即由字符A, C, G, T组成的字符串，统计所有长度为n的子序列出现的频率。比如 ACGTACGT，子序列长度为2，于是 AC=2, CG=2, GT=2, TA=1，其余长度为2的子序列频率为0.

最先想到的就是建一个字典，key是所有可能的子序列，value是这个子序列出现的频率。但是当子序列比较长的时候，比如 n=8，需要一个有65536 (4的8次方) 个key-value pair的字典，且每个key的长度是8字符。这样ms有点浪费内存。。

于是想到，所有的长度为n的子序列是有序且连续的，所以可以映射到一个长度为4的n次方的的list里。令 A=0, C=1, G=2, T=3，则把子序列 ACGT 转换成 0*4^3 + 1*4^2 + 2*4 + 3 = 27, 映射到list的第27位。如此，list的index对应子序列，而list这个index位置则储存这个子序列出现的频率。

于是我们先要建立2个字典，Python统计表示ACGT和0123一一对应的关系：

i2mD = {0:'A', 1:'C', 2:'G', 3:'T'}  
m2iD = dict(A=0,C=1,G=2,T=3)  
# This is just another way to initialize a dictionary 

以及下面的子序列映射成整数函数：

def motif2int(motif):  
'''convert a sub-sequence/motif to a non-negative integer'''  
total = 0 
for i, letter in enumerate(motif):  
total += m2iD[letter]*4**(len(motif)-i-1)  
return total  
Test:  
>>> motif2int('ACGT')  
27 

以上就是对Python统计的相关介绍。虽然我们内部把子序列当成正整数来存储确切地说，其实这个整数是没有存在内存里的，而是由其在list的index表示的），为了方便生物学家们看，输出时还是转换回子序列比较好。