3

我真的需要一些关于使用什么数据结构和函数来解决我正在尝试执行的任务的建议。我只是不确定这里的最佳方法。

问题/任务：我有一个染色体开始和结束位置的列表。我试图找出将这些数据推送到元组列表（？）或类似的东西的最佳方法，然后在给定 start_end 范围值的情况下将这些坐标平分。我以前使用过 bisect，但仅适用于包含单个值条目的列表所以只是不确定进行多值比较的最佳方法是什么。

例如，如果我有以下基因，

gene_name start_pos end_pos
gene_A 100 200
gene_B 300 400
gene_C 500 600
gene_D 700 800
gene_E 900 1000

我想用与正常开始和结束不匹配的开始和结束位置来查询这个列表以返回匹配的基因；

query_start = 550 query_end = 580 > should return gene_C 
query_start = 110 query end = 180 > should return gene_A

我试图通过自己的方式，并制作了一些可笑的丑陋复杂的代码，但我知道必须有一种简单/合乎逻辑的方法来做到这一点，我正在努力提出正确的问题文档/论坛搜索明智。

任何有用的建议将不胜感激。

谢谢

4

2 回答 2

1

将这些值放入字典是很自然的事情。在这里，我使用基因名称作为字典键，并将它们对应的范围作为值。

genes={'gene_A': [100,200],
    'gene_B': [300, 400],
    'gene_C': [500, 600],
    'gene_D': [700, 800],
    'gene_E': [900, 1000]}

#Takes as argument a dictionary of genes to check and a range in the form of a tuple
def gene_query(gene_data,gene_range):
    for gene in gene_data:
        if gene_range[0]>=gene_data[gene][0]:
            if gene_range[1]<=gene_data[gene][1]:
                return gene
    else:
        return "No genes match your query range"


print gene_query(genes, (550, 580))
print gene_query(genes, (110, 180))

在这里，我创建了一个 python 函数来返回第一个基因的名称以匹配查询范围，但是您可以通过将匹配结果附加到列表而不是立即返回它们来轻松修改它以收集与查询匹配的所有结果。

于 2014-07-29T03:58:09.863 回答
1

首先，这里是元组列表中的所有数据：

>>> txt='''\
... gene_name start_pos end_pos
... gene_A 100 200
... gene_B 300 400
... gene_C 500 600
... gene_D 700 800
... gene_E 900 1000'''
>>> 
>>> genes=[(name, int(d1), int(d2)) for name, d1, d2 in [line.split() for line in txt.splitlines()[1:]]]
>>> genes
[('gene_A', 100, 200), ('gene_B', 300, 400), ('gene_C', 500, 600), ('gene_D', 700, 800), ('gene_E', 900, 1000)]

一旦你有了这个，对于你的简单例子，你可以使用过滤器：

def query(genes, start, finish):
    return list(filter(lambda t: t[1]<start<t[2] and t[1]<finish<t[2], genes))

>>> query(genes, 550, 580)
[('gene_C', 500, 600)]
>>> query(genes, 110, 180)
[('gene_A', 100, 200)]

或列表理解：

def query(genes, start, finish):
    return [t[0] for t in genes if t[1]<start<t[2] and t[1]<finish<t[2]]

>>> query(genes, 550, 580)
['gene_C']
>>> query(genes, 110, 180)
['gene_A']

或者您可以使用bisect 模块（如果基因是排序列表）。

首先对列表进行排序：

>>> genes.sort(key=lambda t: (t[1], t[2]))
>>> genes
[('gene_A', 100, 200), ('gene_B', 300, 400), ('gene_C', 500, 600), ('gene_D', 700, 800), ('gene_E', 900, 1000)]

生成可用作索引的键元组列表：

>>> keys=[(t[1], t[2]) for t in genes]
>>> keys
[(100, 200), (300, 400), (500, 600), (700, 800), (900, 1000)]

现在您可以使用键索引和 bisect 查询基因：

>>> import bisect
>>> genes[bisect.bisect_left(keys, (550, 580))-1]
('gene_C', 500, 600)
>>> genes[bisect.bisect_left(keys, (110, 180))-1]
('gene_A', 100, 200)

对于更复杂的示例，您可以考虑SortedCollection配方。

于 2014-07-29T04:47:50.480 回答