找到其他序列中频率最高的序列

Question

我得到了10个DNA序列，每个序列由18个碱基组成，我被要求编写一个程序，计算所有这些序列中最频繁的序列（一致性）。例如，假设我有“ACTGGA”，“ACCAAT”，“CTTAGG”，“atgag”

一致序列将是“A（CT）TA（GA）G”，因为在每个序列的第一个碱基位置中“A”存在3/4时间。为了每个序列i的第二个基位置有2个带“C”的序列和2个带“T”的序列。到目前为止，我的共识序列看起来像是A（CT），因为我已经确定“A”在位置1出现的时间占75%，而位置2出现“T”或“C”的可能性为50-50%等等，所以，我将把“C”和“T”放在我的共识的第二个位置。现在我正在尝试用pycharm在python中实现这一点，尽管我对pycharm不是很熟悉。我只是想强迫自己学点新东西。我的问题是，当我将txt文件读入如下numpy数组时：

seq_array = np.asarray(list(map(str.strip, seq)))

我的数组最终是1d（10，）而不是（10，18），所以我不能遍历每一行和每一列来计算每个字符。那么如何将文件读入2d大小（10,18）？有没有更快的方法来获得最频繁的序列，而不是迭代每个seq_array[r][c]？你知道吗

Answer 1

生成多维数组时遇到的问题：

list(map(str.strip, seq))  # Returns a list of strings

list(map(list, map(str.strip, seq)))  # Will return a list of lists

seq_array = np.asarray(list(map(list, map(str.strip, seq))))