Сгенерировать все перестановки с не более чем d несоответствиями

Question

Я решал задачу сопоставления с образцом с расстоянием Хэмминга до d для последовательности ДНК. Regex спас меня там. Но теперь я столкнулся с другой проблемой. Учитывая длинную последовательность ДНК, я должен найти наиболее часто встречающиеся несовпадающие k-мерки с не более чем d несовпадениями. Здесь k-мер относится к подпоследовательности длины k.

Примечание: последовательность ДНК может быть представлена ​​только четырьмя буквами: {A, C, G, T}

Например,

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

Здесь возможны только два k-мера: «AGG», «GGC».

Теперь я могу переставить их индивидуально с 1 несоответствием, запустив следующий код для «AGG» и «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» предоставит:

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

И «GCC» выдаст:

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

Тогда я могу использовать, Counterчтобы найти наиболее частые k-mer. Но это работает, только если d = 1. Как это обобщить на любой d <= k?

Answer 1

Это дорогостоящий метод. Но да, должно получиться желаемое. Что я сделал здесь, так это вычислил все несоответствия с помощью hamming dist 1. затем вычислили новое несоответствие с ham dist 1 от предыдущего несовпадения и рекурсивно до 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)]))

нашел более производительный код почти в 10-20 раз быстрее

%%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)]))

Время ЦП: пользовательское 1 мин 32 с, sys: 1,81 с, всего: 1 мин 34 с Время на стене: 1 мин 34 с