定义一个返回不同可能性的循环

Question

你好，我对 python 很陌生。我有以下问题： 我想编写一个脚本，给定具有歧义的（dna）序列，写入所有可能的序列，（如果少于 100 个，如果有超过 100 个可能的序列，则会打印适当的错误消息） 对于 DNA 核苷酸歧义：http://www.bioinformatics.org/sms/iupac.html

例如：对于序列“AYGH”，脚本的输出将是“ACGA”, “ACGC”, “ACGT”, “ATGA”, “ATGC” 和“ATGT”。 A、C、G 和 T 是默认核苷酸。所有其他人都可以有不同的价值（见链接）。

所以我写了这个：

def possible_sequences (seq):
    poss_seq = ''
    for i in seq:
        if i=='A'or i=='C'or i=='G'or i=='T': 
            poss_seq += i 
        else: 
            if i== 'R':  
                poss_seq += 'A' # OR 'G', how should i implement this? 
            elif i == 'Y': 
                poss_seq += 'C' # OR T 
            elif i == 'S': 
                poss_seq += 'G' # OR C
            elif i == 'W': 
                poss_seq += 'A' # OR T 
            elif i == 'K': 
                poss_seq += 'G' # OR T
            elif i == 'M': 
                poss_seq += 'A' # OR C
            elif i == 'B': 
                poss_seq += 'C' # OR G OR T 
            elif i == 'D': 
                poss_seq += 'A' # OR G OR T 
            elif i == 'H': 
                poss_seq += 'A' # OR C OR T 
            elif i == 'V': 
                poss_seq += 'A' # OR C OR G 
            elif i == 'N': 
                poss_seq += 'A' # OR C OR G OR T 
            elif i == '-' or i == '.': 
                poss_seq += ' '
    return poss_seq

当我测试我的功能时： 可能的序列（'ATRY-C'） 我得到了：

'ATAC C'

但我应该得到：

'ATAC C'
'ATAT C' 
'ATGC C'
'ATGT C'

有人可以帮帮我吗？我知道当存在歧义时我必须重述并写第二个 poss_seq 但我不知道如何......

Answer 1

您可以使用itertools.product 来生成可能性：

from itertools import product

# List possible nucleotides for each possible item in sequence
MAP = {
    'A': 'A',
    'C': 'C',
    'G': 'G',
    'T': 'T',
    'R': 'AG',
    'Y': 'CT',
    'S': 'GC',
    'W': 'AT',
    'K': 'GT',
    'M': 'AC',
    'B': 'CGT',
    'D': 'AGT',
    'H': 'ACT',
    'V': 'ACG',
    'N': 'ACGT',
    '-': ' ',
    '.': ' '
}

def possible_sequences(seq):
    return (''.join(c) for c in product(*(MAP[c] for c in seq)))

print(list(possible_sequences('AYGH')))
print(list(possible_sequences('ATRY-C')))

输出：

['ACGA', 'ACGC', 'ACGT', 'ATGA', 'ATGC', 'ATGT']
['ATAC C', 'ATAT C', 'ATGC C', 'ATGT C']

在上面我们首先迭代给定序列中的项目并获得每个项目可能的核苷酸列表：

possibilities = [MAP[c] for c in 'ATRY-C']
print(possibilities)

# ['A', 'T', 'AG', 'CT', ' ', 'C']

然后将 iterable 解压缩为提供给 product 的参数，这将返回笛卡尔积：

products = list(product(*['A', 'T', 'AG', 'CT', ' ', 'C']))
print(products)

# [('A', 'T', 'A', 'C', ' ', 'C'), ('A', 'T', 'A', 'T', ' ', 'C'), 
#  ('A', 'T', 'G', 'C', ' ', 'C'), ('A', 'T', 'G', 'T', ' ', 'C')]

最后每一个产品都转成带有join的字符串：

print(list(''.join(p) for p in products))

# ['ATAC C', 'ATAT C', 'ATGC C', 'ATGT C']

请注意，possible_sequences 返回一个生成器，而不是一次构造所有可能的序列，因此您可以随时轻松停止迭代，而不必等待每个序列生成。