最大でd個の不一致があるすべての順列を生成します

Question

DNA配列のハミング距離がdまでのパターンマッチングの問題を解決していました。正規表現は私をそこに救いました。しかし今、私は別の問題に遭遇しました。長いDNA配列を考えると、最大でd個のミスマッチを持つ最も頻繁なミスマッチk-merを見つける必要があります。ここで、k-merは長さkのサブシーケンスを指します。

注： DNA配列は、{A、C、G、T}の4文字のみを使用して表すことができます。

例えば、

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

ここでは、「AGG」、「GGC」の2つのk-merのみが可能です。

これで、「AGG」と「GGC」の次のコードを実行することで、1つの不一致で個別に並べ替えることができます。

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」は以下を提供します：

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

そして、「GCC」は以下を提供します：

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

次にCounter、最も頻繁なk-merを見つけるために使用できます。ただし、これはd = 1。の場合にのみ機能します。これを一般化する方法はd <= k？

Answer 1

これは計算コストの高い方法です。しかし、ええ、希望をフェッチする必要があります。ここで行ったことは、hamming dist 1とのすべての不一致を計算してから、前の不一致からham dist 1との新しい不一致を計算し、dまで繰り返します。

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)]))

ほぼ10〜20倍速いより良いパフォーマンスコードを見つけました

%%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)]))

CPU時間：ユーザー1分32秒、システム：1.81秒、合計：1分34秒壁時間：1分34秒