有没有办法使用 Python 替换序列列表中的第一个和最后三个字符？

Question

我正在尝试使用 Python 替换序列列表中的某些字符，这些序列将被发送出去进行合成。有问题的字符是每个序列的第一个和最后三个。我也试图在每个字符之间添加一个 * 。

棘手的部分是第一个和最后一个字符需要与其他两个不同。

例如：DNA 序列 TGTACGTTGCTCCGAC 需要更改为/52MOErT/*/i2MOErG/*/i2MOErT/*A*C*G*T*T*G*C*T*C*C*/i2MOErG/*/i2MOErA/*/32MOErC/

第一个字符需要是 /52MOEr_/，最后一个字符需要是 /32MOEr_/，其中 _ 是该索引处的字符。对于上面的示例，第一个是 T，最后一个是 C。另外两个，GT 和 GA 需要 /i2MOEr_/ 修改。

到目前为止，我已经使用.split() 函数将序列转换为列表。最终结果是 ['AAGTCTGGTTAACCAT', 'AATACTAGGTAACTAC', 'TGTACGTTGCTCCGTC', 'TGTAGTTAGCTCCGTC']。我已经玩了一段时间，但我觉得我需要一些指导。

这不是我想的那么容易吗？

Answer 1

您可以只使用分治算法。这是我实现目标的解决方案。

dna = "TGTACGTTGCTCCGAC"
dnaFirst3Chars = '/52MOEr' + dna[0] + '/*/i2MOEr' + dna[1] + '/*/i2MOEr' + dna[2] + '/*'
dnaMiddle = '*'.join(dna[3:-3])
dnaLast3Chars = '*/i2MOEr' + dna[-3] + '/*i2MOEr' + dna[-2] + '/*/32MOEr' + dna[-1] + '/'

dnaTransformed = dnaFirst3Chars + dnaMiddle + dnaLast3Chars

print(dnaTransformed)

输出：

/52MOErT/*/i2MOErG/*/i2MOErT/*A*C*G*T*T*G*C*T*C*C*/i2MOErG/*i2MOErA/*/32MOErC/

更新：

为简单起见，您可以将上述代码转换成这样的函数：

def dna_transformation(dna):
    """ Takes a DNA string and returns the transformed DNA """

    dnaFirst3Chars = '/52MOEr' + dna[0] + '/*/i2MOEr' + dna[1] + '/*/i2MOEr' + dna[2] + '/*'
    dnaMiddle = '*'.join(dna[3:-3])
    dnaLast3Chars = '*/i2MOEr' + dna[-3] + '/*i2MOEr' + dna[-2] + '/*/32MOEr' + dna[-1] + '/'

    return dnaFirst3Chars + dnaMiddle + dnaLast3Chars

print(dna_transformation("TGTACGTTGCTCCGAC")) # call the function

输出： /52MOErT/*/i2MOErG/*/i2MOErT/*A*C*G*T*T*G*C*T*C*C*/i2MOErG/*i2MOErA/*/32MOErC/

Answer 2

假设您的预期结果中有错字，实际上应该是 /52MOErT/*/i2MOErG/*/i2MOErT/*A*C*G*T*T*G*C*T*C*C*/i2MOErG/*/i2MOErA/*/32MOErC/ 下面的代码将起作用：

# python3
def encode_sequence(seq):
    seq_front = seq[:3]
    seq_back = seq[-3:]
    seq_middle = seq[3:-3]
    front_ix = ["/52MOEr{}/", "/i2MOEr{}/", "/i2MOEr{}/"]
    back_ix = ["/i2MOEr{}/", "/i2MOEr{}/", "/32MOEr{}/"]
    encoded = []
    for base, index in zip(seq_front, front_ix):
        encoded.append(index.format(base))
    encoded.extend(seq_middle)
    for base, index in zip(seq_back, back_ix):
        encoded.append(index.format(base))
    return "*".join(encoded)

通读代码并确保您理解它。本质上，我们只是对原始字符串进行切片并将碱基插入到您需要的格式中。最终输出的每个元素都被添加到一个列表中，并在末尾用 * 字符连接。

如果您需要动态指定从序列前后提取的碱基的数量和名称，您可以使用此版本。注意{} 大括号告诉string.format 函数在哪里插入基数。

def encode_sequence_2(seq, front_ix, back_ix):
    seq_front = seq[:len(front_ix)]
    seq_back = seq[-len(back_ix):]
    seq_middle = seq[len(front_ix):-len(back_ix)]
    encoded = []
    for base, index in zip(seq_front, front_ix):
        encoded.append(index.format(base))
    encoded.extend(seq_middle)
    for base, index in zip(seq_back, back_ix):
        encoded.append(index.format(base))
    return "*".join(encoded)

这是输出：

> seq = "TGTACGTTGCTCCGAC"
> encode_sequence(seq)
/52MOErT/*/i2MOErG/*/i2MOErT/*A*C*G*T*T*G*C*T*C*C*/i2MOErG/*/i2MOErA/*/32MOErC/

如果您有要编码的序列列表，您可以遍历该列表并对每个序列进行编码：

encoded_list = []
for seq in dna_list:
    encoded_list.append(encode_sequence(seq))

或者使用列表理解：

encoded_list = [encode_sequence(seq) for seq in dna_list)]