Genera tutte le permutazioni con al massimo d Mismatches

Question

Stavo risolvendo un problema per il pattern matching con distanza di martellamento fino a d per una sequenza di DNA. Regex mi ha salvato lì. Ma ora ho riscontrato un problema diverso. Data una lunga sequenza di DNA, devo trovare k-mer non corrispondenti più frequenti con al massimo d mancate corrispondenze. Qui, k-mer si riferisce alla sotto-sequenza di lunghezza k.

Nota: la sequenza del DNA può essere rappresentata utilizzando solo quattro lettere: {A, C, G, T}

Per esempio,

DNA sequence= "AGGC"
k = 3
d = 1

Qui sono possibili solo due k-mers: "AGG", "GGC"

Ora posso permutarli individualmente con 1 mancata corrispondenza eseguendo il seguente codice per "AGG" e "GGC"

def permute_one_nucleotide(motif, alphabet={"A", "C", "G", "T"}):
    import itertools

    return list(
        set(
            itertools.chain.from_iterable(
                [
                    [
                        motif[:pos] + nucleotide + motif[pos + 1 :]
                        for nucleotide in alphabet
                    ]
                    for pos in range(len(motif))
                ]
            )
        )
    )

"AGG" darà:

['TGG', 'ATG', 'AGG', 'GGG', 'AGT', 'CGG', 'AGC', 'AGA', 'ACG', 'AAG']

E "GCC" darà:

['GCC', 'GAC', 'GGT', 'GGA', 'AGC', 'GTC', 'TGC', 'CGC', 'GGG', 'GGC']

Quindi posso usare Counterper trovare k-mer più frequenti. Ma funziona solo se d = 1. Come generalizzare questo per qualcuno d <= k?

Answer 1

Questo è un metodo costoso dal punto di vista computazionale. Ma sì, dovrebbe recuperare desiderato. Quello che ho fatto qui è calcolare tutto il disadattamento con hamming dist 1. quindi calcolare il nuovo disadattamento con ham dist 1 dal disadattamento precedente e ricorrere fino a d.

import itertools

all_c=set('AGCT')
other = lambda x : list(all_c.difference(x))

def get_changed(sub, i):
    return [sub[0:i]+c+sub[i+1:] for c in other(sub[i])]

def get_mismatch(d, setOfMmatch):
    
    if d==0:
        return setOfMmatch
    
    newMmatches=[]
    for sub in setOfMmatch:
        newMmatches.extend(list(map(lambda x : ''.join(x), itertools.chain.from_iterable(([get_changed(sub, i)  for i, c in enumerate(sub)])))))
    
    setOfMmatch=setOfMmatch.union(newMmatches)
    
    return get_mismatch(d-1, setOfMmatch)

dna='AGGC'
hamm_dist=1
length=3

list(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))
# without duplicates
# set(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))

ha trovato un codice con prestazioni migliori quasi 10-20 volte più veloce

%%time

import itertools, random
from cacheout import Cache
import time

all_c=set('AGCT')
get_other = lambda x : list(all_c.difference(x))

other={}
for c in all_c:
    other[c]=get_other(c) 


def get_changed(sub, i):
    return [sub[0:i]+c+sub[i+1:] for c in other[sub[i]]]

mmatchHash=Cache(maxsize=256*256, ttl=0, timer=time.time, default=None)

def get_mismatch(d, setOfMmatch):
    
    if d==0:
        
        return setOfMmatch
    
    newMmatches=[]
    for sub in setOfMmatch:
        newMmatches.extend(list(map(lambda x : ''.join(x), itertools.chain.from_iterable(([get_changed(sub, i)  for i, c in enumerate(sub)])))))
    
    setOfMmatch=setOfMmatch.union(newMmatches)
    
    if not mmatchHash.get((d-1, str(setOfMmatch)), 0):
        mmatchHash.set((d-1, str(setOfMmatch)), get_mismatch(d-1, setOfMmatch))
        
    return mmatchHash.get((d-1, str(setOfMmatch)))


length_of_DNA=1000
dna=''.join(random.choices('AGCT', k=length_of_DNA))
hamm_dist=4
length=9

len(list(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)])))
# set(itertools.chain.from_iterable([get_mismatch(hamm_dist, {dna[i:i+length]}) for i in range(len(dna)-length+1)]))

Tempi CPU: utente 1 min 32 s, sys: 1,81 s, totale: 1 min 34 s Tempo wall: 1 min 34 s