Python：使用位。用0和1编码核苷酸

Question

我想用Python中的位编码来编码核苷酸“A”、“G”、“C”和“T”。例如：

'A' = 00
'G' = 01
'C' = 10
'T' = 11

为了建立一个包含k-mers的巨大dict，比如：

^{pr2}$

我认为这可以减少dict所需的内存量，因为“ATGC”需要4个字节，但同一个单词需要8个位编码。在

我不确定这是否可以实现，如果可以，我如何使用Python实现呢

提前谢谢！在

编辑：很抱歉我没有正确地解释自己。在

我想要的是遍历一个由'ATGC'和一个大小为k的滑动窗口组成的序列，并计算每个k-mer在该序列中出现的次数。例如：

'ATGAATGAA' # with a sliding window of 5 would be
 dic = { 'ATGAA':2, 'TGAAT':1, 'GAATG':1, 'AATGA':1, }

因为在开始读取序列之前，我想用大小为k的“AGTC”的所有可能的组合来构造dict，以便以每个k-mer作为键访问dict，并将其值求和1，所以我想知道dict上的k-mer是否可以用位编码存储。或多或少：

dic = {1011001010: 3, 0000110011: 666, ...  etc }

目前我正在用itertools构建dict。在

# k-mers of size 8
{''.join(x):0 for x in itertools.product('ATGC', repeat=8)}

我想另一个问题是，为了访问dict，每个k-mer都需要转换成该位编码

Answer 1

您可以将kmer转换为二进制，但是正如Ignacio指出的那样，您仍然需要知道它们的长度，所以您可能还需要存储这些数据。所以，对于很长的序列，这仍然可以节省内存空间。在

下面是一些示例代码，它获取序列，对它们进行编码并再次解码：

encoding_map = {'A': 0, 'G': 1, 'C': 2, 'T': 3}
decoding_lst = ['A', 'G', 'C', 'T']


def encode(k):
    code = 0
    for ch in k:
        code *= 4
        code += encoding_map[ch]
    return code, len(k)


def decode(enc):
    code, length = enc
    ret = ''
    for _ in range(length):
        index = code & 3
        code >>= 2
        ret = decoding_lst[index] + ret
    return ret


kmers = ['ATGACTGACT', 'ATGC', 'AATGC']

kmerdict = {k: encode(k) for k in kmers}

print(kmerdict)

for key, enc in kmerdict.items():
    print(enc, decode(enc))

典型输出：

^{pr2}$

顺便说一句，不管序列有多长，Python应该能够处理编码和解码，因为整数可以扩展到足以容纳数字的位。在