Python DNA序列中子序列出现频率

Python DNA序列在使用的时候有很多需要我们注意的东西，其实在不断的学习中有很多问题存在，下面我们就详细的看看如何进行相关的技术学校。ms是我师弟的rotation project：给定一堆Python 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。Python DNA序列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，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') 

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。

于是有了下面的整数映射成子序列函数，其中调用了另外一个函数baseN()，来源在此，感谢作者～

def baseN(n,b):  


'''convert non-negative decimal integer n to  


equivalent in another base b (2-36)'''  



return ((n == 0) and '0' ) or ( baseN(n // b, b).lstrip('0') + \  



"0123456789abcdefghijklmnopqrstuvwxyz"[n % b])  


def int2motif(n, motifLen):  


'''convert non-negative integer n to a sub-sequence/motif with length motifLen'''  



intBase4 = baseN(n,4)  



return ''.join(map(lambda x: i2mD[int(x)],'0'*(motifLen-len(intBase4))+intBase4))  


Test:  



>>> int2motif(27,4)  



'ACGT'  

以下代码从命令行读入一个存有DNA序列的fasta文件，以及子序列长度，并输出子序列和频率。注意以下代码需要Biopython module。