如何使用python对齐和比较列表中的两个元素（序列）

Question

这是我的问题：

我有一个看起来像这样的文件：

103L顺序：MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKRWDEAAVNLAKSRWYNQTPNRAKRVITTFRTGTWDAY -------------------------------- -------------------------------------------------- -------------------------------------------------- ---------------- XX

它包含名称，在这种情况下为103L。 具有“ Sequence：”标签的蛋白质序列； 无序区域，在“无序：”之后。 “-”表示此位置是有序的，“ X”表示此特定位置是无序的。 例如，在无序状态下的最后两个“ XX”表示蛋白质序列的后两个位置是无序的，即“ NL”。 使用分割方法后，它看起来像这样：

['> 103L'，'Sequence：'，'MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKKDEDEAVNLAKSRWYNQTPNRAKRVIT ----- XXXXXX -------------------------------------------- -------------------------------------------------- ------------------------------- XX']

我想使用python查找无序序列及其位置。 因此，最终文件应如下所示：名称序列：“真实序列”乱序：position（Posi）残差名称（R）以103L为例：

103L序列：MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKRWDEAAVNLAKSRWYNQTPNRAKRVITTFRTGTWDAYKNL 34 S N L S 37 K 37 S 37 L 34

我是python的新手，真的希望有人可以帮助我，非常感谢！！！

Answer 1

假设我们在一个变量中有split命令的结果

split_list = ['>103L', 'Sequence:', 'MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKRWDEAAVNLAKSRWYNQTPNRAKRVITTFRTGTWDAYKNL', 'Disorder:', '----------------------------------XXXXXX-----------------------------------------------------------------------------------------------------------------------------XX']

让我们只处理重要的项目2和4

res_name = split_list[2]  # ( i.e. 'MNIFEML...' )
disorder = split_list[4]  # ( i.e. '-----...XXX')

您可以像这样关联两个数组的元素。

sets = []
for i,c in enumerate( disorder ):
  if c == 'X':
    sets.append( (i, res_name[i]) )

Python中的enumerate命令遍历类似对象的列表，并为每个混乱成员返回一个索引和一个项（i，c）。 在该操作结束时，集合将包含我们所要查找的元组，“ X”无序出现的索引号以及res_name中的相应残基。

sets = [(34,'K'), (35,'S') ... ]

如果您想使用另一种不错的Python功能，则可以使用所谓的列表推导功能在一行中构造集合，

sets = [ (i,res_name[i]) for i,c in enumerate(disorder) if c=='X' ]

这是一种构建列表的快速方法，并且比循环更有效，尽管如示例所示，差异对于100个项目的数量无关紧要。 剩下的唯一事情就是将这个新数据写入文件。 我们可以创建另一个列表，然后将各个片段之间留有空格，以所需的格式创建字符串。 对于列表中的每个元组，我们都希望索引的字符串版本和残差名称（已经是字符串）。 可以这样列出来，

txt = ' '.join( [str(t[0]) + ' ' + t[1] for t in sets] )

变量txt现在等于

>>> txt 
'34 K 35 S 36 P 37 S 38 L 39 N 165 N 166 L'

要写出指定格式的文件，可以执行以下操作：

f = open( 'test.out', 'w' )
f.write( ' '.join(split_list[0:2]) + '\n' )
f.write( split_list[2] + ' Disorder: Posi R ' + txt )  
f.close()

第一个写命令将'> 103L Sequence：'放在第一行，并添加一个新行字符。 第二个输出原始的残基序列和我们在上面创建的txt变量。

Answer 2

您可以将其分为三个不同的部分：

1. 解析输入；
2. 构造新的无序字符串；
3. 输出新文件。

（1）和（3）非常简单，因此我将重点介绍（2）。 您需要做的主要事情是遍历“混乱字符串”，您可以在其中访问每个位置的字符以及位置本身。 一种方法是使用enumerate ：

for i, x in enumerate(S)

它为字符串S每个位置（存储在i ）和字符（存储在x ）提供了一个生成器 。 一旦有了这些，您需要做的就是在无序字符串具有"X"的位置将位置和字符记录在seq 。 在Python中，这可能类似于：

if (x == 'X'):
    new_disorder.append( "{} {}".format(i, seq[i]) )

我们将结果格式化为字符串，例如“ 34 R”。

这是一个完整的示例：

# Parse the file which was already split into split_list
split_list = ['>103L', 'Sequence:', 'MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKRWDEAAVNLAKSRWYNQTPNRAKRVITTFRTGTWDAYKNL', 'Disorder:', '----------------------------------XXXXXX-----------------------------------------------------------------------------------------------------------------------------XX']
header   = split_list[0] + " " + split_list[1]
seq      = split_list[2]
disorder = split_list[4]

# Create the new disorder string
new_disorder = ["Disorder: Posi R"]
for i, x in enumerate(disorder):
    if x == "X":
        # Appends of the form: "AminoAcid Position"
        new_disorder.append( "{} {}".format(i, seq[i]) )

new_disorder = " ".join(new_disorder)

# Output the modified file
open("seq2.txt", "w").write( "\n".join([header, seq, new_disorder]))

请注意，我得到的输出与您给出的示例略有不同：

103L Sequence:
MNIFEMLRIDEGLRLKIYKDTEGYYTIGIGHLLTKSPSLNSLDAAKSELDKAIGRNTNGVITKDEAEKLFNQDVDAAVRGILRNAKLKPVYDSLDAVRRAALINMVFQMGETGVAGFTNSLRMLQQKRWDEAAVNLAKSRWYNQTPNRAKRVITTFRTGTWDAYKNL
Disorder: Posi R 34 K 35 S 36 P 37 S 38 L 39 N 165 N 166 L