python - 计算文件中某个三元组的数量（DNA密码子分析）

Question

这个问题实际上是针对 DNA 密码子分析的，简单地说，假设我有一个这样的文件：
atgaaaccaaag...
我想计算这个文件中存在的“aaa”三联体的数量。重要的是，三元组从一开始就开始（这意味着 atg,aaa,cca,aag,...）所以在这个例子中结果应该是 1 而不是 2 'aaa'。
是否有任何 Python 或 Shellscript 方法可以做到这一点？谢谢！

Answer 1

首先读入文件

with open("some.txt") as f:
    file_data = f.read()

然后把它分成3个

codons = [file_data[i:i+3] for i in range(0,len(file_data),3)]

然后数他们

print codons.count('aaa')

像这样

>>> my_codons = 'atgaaaccaaag'
>>> codons = [my_codons[i:i+3] for i in range(0,len(my_codons),3)]
>>> codons
['atg', 'aaa', 'cca', 'aag']
>>> codons.count('aaa')
1

Answer 2

显而易见的解决方案是将字符串拆分为 3 个字符的片段，然后计算“aaa”的出现次数：

s = 'atgaaaccaaag'
>>> [s[i : i + 3] for i in xrange(0, len(s), 3)].count('aaa')
1

如果字符串真的很长，那么这个解决方案会不必要地消耗一些内存来创建子字符串列表。

s = 'atgaaaccaaag'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
1
>>> s = 'aaatttaaacaaagg'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
2

这使用生成器表达式而不是创建临时列表，因此内存效率更高。它利用了这一事实True == 1，即True + True == 2。

Answer 3

您可以首先使用以下方法将字符串分成三组：

def split_by_size(input, length):
    return [input[i:i+length] for i in range(0, len(input), length)]

tripleList = split_by_size(input, length)

然后检查“aaa”，总结一下：

print sum(filter(lambda x: x == "aaa", tripleList))

Answer 4

使用一个简单的外壳，假设你的 fasta 只包含一个序列。

grep -v ">"  < input.fa |
tr -d '\n' |
sed 's/\([ATGCatgcNn]\{3,3\}\)/\1#/g' |
tr "#" "\n" |
awk '(length($1)==3)' |
sort |
uniq -c