遍历行并在Python中进行比较

Question

我正在分析基因组测序数据，遇到无法识别的问题。 我正在使用一个包含大约500万个序列读取的输入fastq文件，如下所示：

1    Unique Header    #Read 1
2    AAAAAA.....AAAAAA    #Sequence Read 1
3    +
4    ??AA@F    #Quality of Read 1
5    Unique Header    #Read 2
6    ATTAAA.....AAAAAA
7    +
8    >>AA?B
9    Unique Header    #Read 3
10   ATAAAA.....AAAAAA
11   +
12   >>AA?B

然后，想法是遍历此文件并比较Sequence读取行（上面的第2行和第6行）。 如果序列的前六个字符足够唯一（Levenshtein距离为2），则将整个序列及其相应的三行写入输出文件。 否则，它将被忽略。

当我使用一个小的测试文件时，我的代码似乎可以执行此操作，但是当我分析一个完整的fastq文件时，似乎有两个序列被写入了输出文件。

我的代码如下，任何帮助将不胜感激。 谢谢

码：

def outputFastqSimilar():
    target = open(output_file, 'w') #Final output file that will contain only matching acceptable reads/corresponding data

    with open(current_file, 'r') as f: #This is the input fastq
        lineCharsList = [] #Contains unique concatenated strings of first and last 6 chars of read line

        headerLine = next(f)  #Stores the header information for each line
        counter = 1

        for line in f:
            if counter == 1: 
                lineChars = line[0:6]+line[145:151] #Identify first concatenated string of first/last 6 chars
                lineCharsList.append(lineChars)

                #Write first read/info to output
                target.write(headerLine)
                target.write(line)
                nextLine = next(f)
                target.write(nextLine)
                nextLine = next(f)
                target.write(nextLine)
                headerLine = next(f)    #Move to next header
                counter+=1

            elif counter > 1:
                lineChars = line[0:6]+line[145:151] #Get first/last six chars from next read

                different_enough = True
                for i in lineCharsList: #Iterate through list and compare with current read
                    if distance(lineChars, i) < 2: #Levenshtein distance
                        different_enough = False
                        for skip in range(3): #If read too similar, skip over it
                            try:
                                check = line #Check for additional lines in file
                                headerLine = next(f) #Move to next header
                            except StopIteration:
                                break

                    elif distance(lineChars, i) >= dist_stringency & different_enough == True: #If read is unique enough, write to output
                        lineCharsList.append(lineChars)
                        target.write(headerLine)
                        target.write(line)
                        nextLine = next(f)
                        target.write(nextLine)
                        nextLine = next(f)
                        target.write(nextLine)
                        try:
                            check = line
                            headerLine = next(f)
                        except StopIteration:
                            break

    target.close()

测试文件的所需输出如下所示，其中所有读取都是唯一的，但是第10行的读取到第2行的读取的Levenshtein距离<2，因此不会包含在输出中：

1    Unique Header    #Read 1
2    AAAAAA.....AAAAAA    #Sequence Read 1
3    +
4    ??AA@F    #Quality of Read 1
5    Unique Header    #Read 2
6    ATTAAA.....AAAAAA
7    +
8    >>AA?B

Answer 1

它看起来像你测试每个读取是否是从以前的读够了不同的，但你真正想要的是一组读取不同以前的所有读取。

您可以在进入此循环之前设置标志different_enough = True ： for i in lineCharsList:

然后，当您测试distance(lineChars, i) < 2将其设置为different_enough = False 。

不要在循环内打印出任何内容，请等它完成后再检查different_enough的状态。 如果您的读物通过了所有比较，则仍然为True，因此请打印出读物。 如果哪怕一读太相似，也将为False。

这样，仅当读取通过每个比较时，才打印该读取。