用Hamming距离z选择reads

Question

我有一个fastq文件，比如reads.fastq。我有一个7-mer字符串的列表。对于每次读入reads.fastq，我想检查它是否至少包含列表中的一个7-mer字符串。条件是，如果找到匹配项（hamming distance ==0），则读操作将写入一个数组chosen_reads，并且从fastq文件中读取的下一个匹配。如果未找到匹配项，则循环将继续，直到找到匹配项为止。输出数组由唯一的读取组成，因为一旦找到第一个匹配项，匹配循环就会终止。我写了下面的代码，但是输出数组中的读取不是唯一的，因为所有与hamming距离为零的匹配都会被报告。请建议编辑：

def hamming(s1, s2):
    #Return the Hamming distance between equal-length sequences
    if len(s1) != len(s2):
        raise ValueError("Undefined for sequences of unequal length")

    return sum(ch1 != ch2 for ch1, ch2 in zip(s1, s2))

for x in Bio.SeqIO.parse("reads.fastq","fastq"):
        reads_array.append(x)

nmer = 7
l_chosen = ['gttattt','attattt','tgctagt']

chosen_reads = []
for x in reads_array:
    s2 = str(x.seq)
    for s in [s2[i:i+nmer] for i in range(len(s2)-nmer-1)]:
        for ds in l_chosen:    
            dist = hamming(ds,s)
            if dist == 0:
                print s2, s,ds,dist       
                chosen_reads.append(x)

Answer 1

当前代码不会跳出循环从reads.fastq读取下一个read当它找到一个汉明距离为0的字符串时，应该使用标志来决定何时中断，并在需要中断时为该标志指定真值-

def hamming(s1, s2):
    #Return the Hamming distance between equal-length sequences
    if len(s1) != len(s2):
        raise ValueError("Undefined for sequences of unequal length")
    return sum(ch1 != ch2 for ch1, ch2 in zip(s1, s2))

for x in Bio.SeqIO.parse("reads.fastq","fastq"):
        reads_array.append(x)

nmer = 7

l_chosen = ['gttattt','attattt','tgctagt']
chosen_reads = []

for x in reads_array:
        s2 = str(x.seq)
        breakFlag = False
        for s in [s2[i:i+nmer] for i in range(len(s2)-nmer-1)]:
                for ds in l_chosen:
                        dist = hamming(ds,s)
                        if dist == 0:
                                print s2, s,ds,dist
                                chosen_reads.append(x)
                                breakFlag = True
                                break;
                if breakFlag:
                        break;

您确定要将x附加到chosen_reads中，这似乎是错误的，为了获得唯一的匹配，您应该添加s2字符串和匹配的ds对吗？如果这是您想要的，您可以像下面这样将一个元组附加到chosen_reads中，而不是当前的附加逻辑-

^{pr2}$

Answer 2

如果我明白你在问什么，汉明距离正在试图找到至少一个“选择”字符串准确。你正在做的迭代是缓慢的，尝试突破可能是丑陋的。在

我可能会建议a regex是什么会有帮助。您可以自动创建匹配字符串：

import re
chosen_re = re.compile('|'.join(l_chosen))

chosen_reads = [x for x in reads_array if chosen_re.search(str(s.seq))]

你将很难击败正则表达式引擎的速度