查找核苷酸在同一个 position 中出现的次数

Question

我是 python 的新手，我试图解决一个问题，我得到了一些 dna 序列，例如： sequences = ["GAGGTAAACTCTG", "TCCGTAAGTTTTC", "CAGGTTGGAACTC", "ACAGTCAGTTCAC", "TAGGTCATTACAG", "TAGGTACTGATGC"]

我想知道所有这些序列的每个 position 中有多少次核苷酸“A”（答案应该是“A”：[1、4、1、0、0、3、4、1、1、3 , 0, 2, 0] 在这种情况下）。 我试图做的是：

'A_pos = {"A":[sum(int(i[0]=="A") for i in sequences), sum(int(i[1]=="A") for i in sequences), sum(int(i[2]=="A") for i in sequences),'

依此类推到索引中的每个 position。 我试图让它一次检查所有位置，而不是手动执行每个 position。

Answer 1

您发布的代码只是部分代码，但您在每个索引上迭代sequences一次。 您可以使用zip一次计算它们（即使最后您必须读取每个字符一次，所以我的解决方案只更改读取顺序）：

A = []
for s in zip(*sequences):
    print(s)
    num_a = 0
    for nuc in s:
        if nuc == "A":
            num_a += 1
    A.append(num_a)
print(A)

s的内容是：

('G', 'T', 'C', 'A', 'T', 'T')
('A', 'C', 'A', 'C', 'A', 'A')
('G', 'C', 'G', 'A', 'G', 'G')

以此类推，您会看到所有序列一次读取一个字符，结果是：

[1, 4, 1, 0, 0, 3, 4, 1, 1, 3, 0, 2, 0]

如果序列的长度不同，您可以使用itertools.zip_longest用另一个字符填充较短的序列。

干杯!

Answer 2

您已经接近了，但您需要跟踪索引而不是单个查找

[sum(x[i] == "A" for x in sequences) for i in range(len(sequences[0]))]

Answer 3

这将同时遍历每个索引，并为每个核苷酸出现添加一个。

result = {'A': 13*[0], 'G': 13*[0], 'T': 13*[0], 'C': 13*[0]}
for index, sequence in enumerate(zip(*sequences)):
    for nucleotide in sequence:
        result[nucleotide][index] += 1

Output：

{'A': [1, 4, 1, 0, 0, 3, 4, 1, 1, 3, 0, 2, 0], 'G': [1, 0, 4, 6, 0, 0, 1, 3, 1, 0, 0, 1, 2], 'T': [3, 0, 0, 0, 6, 1, 0, 2, 3, 3, 2, 3, 0], 'C': [1, 2, 1, 0, 0, 2, 1, 0, 1, 0, 4, 0, 4]}