问题标签 [dna-sequence]

我正在处理长度为 25 的 DNA 序列（参见下面的示例）。我有一个 230,000 的列表，需要在整个基因组中寻找每个序列（弓形虫寄生虫）。我不确定基因组有多大，但比 230,000 个序列长得多。

我需要查找每个 25 个字符的序列，例如 ( AGCCTCCCATGATTGAACAGATCAT)。

基因组被格式化为一个连续的字符串，即 ( CATGGGAGGCTTGCGGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTTGCGGAGTGCGGAGCCTGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTT....)

我不在乎它在哪里或找到了多少次，只关心它是否存在。
这很简单，我想——

但我也找到了一个在任何位置定义为错误（不匹配）的紧密匹配，但只有一个位置，并在序列中记录该位置。我不确定如何做到这一点。我唯一能想到的是使用通配符并在每个位置使用通配符执行搜索。即，搜索 25 次。

例如，

在第 13 位出现不匹配的势均力敌的比赛。

速度不是什么大问题，因为我只做了 3 次，不过如果速度快就好了。

有一些程序可以做到这一点——查找匹配项和部分匹配项——但我正在寻找一种在这些应用程序中无法发现的部分匹配项。

这是 perl 的类似帖子，尽管它们只是比较序列而不是搜索连续字符串：

相关帖子

我想做某种“搜索和替换”算法，如果可能的话，它会以一种有效的方式识别一个字符串的子字符串，它出现了不止一次，并用一个标记替换该子字符串的所有出现。

例如，给定一个字符串“AbcAdAefgAbijkAblmnAbAb”，注意“A”重复出现，所以在第一个过程中减少到“#1bc#1d#1efg#1bijk#1blmn#1b#1b”，其中#_是一个索引模式（我们注意到索引表中的模式），然后注意“#1b”重复出现，因此减少为“#2c#1d#1efg#2ijk#2lmn#2#2”。字符串中不再出现模式，所以我们完成了。

我找到了一些关于“最长公共子序列”和压缩算法的信息，但似乎没有这样做。它们要么用于比较两个字符串，要么用于获得某种存储优化的结果。

另一方面，我的目标是将基因组简化为“单词”而不是“字母”。即，我想看到 2c1c2c 而不是 gatcatcgatc。之后我可以做一些正则表达式来找到像 "#42*#42"; 这样的东西。在 dna 中看到重复出现的括号会很酷。

如果我能在网上找到它，我会跳过自己做的，但我看不到这个问题以前用我能发现的术语回答。对于任何可以指出我正确方向的人，非常感谢。

我需要比较 X 和 Y 染色体的 DNA 序列，并找到 Y 染色体独有的模式（由大约 50-75 个碱基对组成）。请注意，这些序列部分可以在染色体中重复。这需要快速完成（BLAST 需要 47 天，需要几个小时或更短时间）。有没有特别适合这种比较的算法或程序？同样，速度是这里的关键。

我把它放在 SO 上的原因之一是从特定应用程序领域之外的人那里获得观点，他们可以提出他们在日常使用中用于字符串比较的算法，这可能适用于我们的使用。所以不要害羞！

我正在尝试编写一个基本的 dna 测序仪。在那里，给定两个长度相同的序列，它将输出相同的字符串，最小长度为 3。所以输入

将返回

我不知道如何解决这个问题。我可以比较两个字符串，看看它们是否完全相等。从那里，我可以比较长度为 1 的字符串大小，即 if dfeabccontains abcde。但是，我怎样才能让程序执行所有可能的字符串，最小为 3 个字符？一个问题是对于上述长度为 1 的示例，我还必须执行字符串 bcdef 并进行比较。

根据这篇微软博客文章对于 MS Office 2010，每个单元格的最大字符串长度为 32k；我也通过测试证实了这一点。问题是我的字符串（DNA 序列）远高于该长度，并且我正在匹配整个 32k+ 序列上的 DNA 子序列，这些子序列可以匹配主序列上的任何位置；这意味着我不能简单地将主序列分解为 32k 块，因为我需要能够将“子字符串序列”与整个“主字符串序列”进行字符串匹配。不清楚的一件事是 VBA 是否支持处理大于 32k 的字符串，如果 VBA 支持超过 32k 的字符串连接，这可能是一种解决方法；这意味着我将“主字符串序列”分成 32k 块，连续到第 N 列，

所以，基本上问题是 MS-Office 2010 仅支持每个单元格长度不超过 32k 的字符串，而且我的字符串比需要以整个形式处理的字符串要大得多，以便字符串匹配工作。

我知道这可能看起来有点奇怪，但我想知道是否有人见过一些用于多序列对齐问题的 javascript 代码。如果不是（我想），一些易于移植的代码（即我不需要厨房水槽）也可以。请记住，我不会对齐超过 4-5 个长度小于 100-200 个符号的序列。

注意：我知道 javascript 并不是这类事情的最佳选择。相信我，我必须用 javascript 来做这件事是有充分理由的。

我正在研究一个读取 DNA 并找到其 RNA 的项目（我必须在 Perl 中实现它，但我不擅长它）。将该 RNA 分成三联体，以获得它的等效蛋白质名称。我将解释步骤：

1）将以下DNA转录为RNA，然后利用遗传密码将其翻译为氨基酸序列

例子：

2) 要转录 DNA，首先将每个 DNA 替换为其对应物（即，G 替换 C，C 替换 G，T 替换 A，A 替换 T）：

接下来，请记住胸腺嘧啶 (T) 碱基变成了尿嘧啶 (U)。因此我们的序列变为：

使用遗传密码就是这样

然后在遗传密码表中查找每个三元组（密码子）。所以AGU变成了丝氨酸，我们可以写成Ser，或者只是S。AUU变成异亮氨酸（Ile），我们写成I。这样继续下去，我们得到：

我将给出蛋白质表：

那么如何在 Perl 中编写该代码呢？我将编辑我的问题并编写我所做的代码。

鉴于病毒的碱基对序列为 2k 碱基对，我需要根据病毒的 DNA 序列生成随机游走。该序列看起来像“ATGCGTCGTAACGT”。路径应向右转 A，向左转 T，向上转 G，向下转 C。为此，我如何使用 Matlab、Mathematica 或 SPSS？

这是我的问题（我正在用 C 编程）：

我有一些包含 DNA 序列的巨大文本文件（每个文件大约有 6500 万行，大小约为 4~5 GB）。在这些文件中有很多重复项（还不知道有多少，但应该有数百万个），我想在输出中返回一个只有不同值的文件。每个字符串都有一个相关的质量值，所以如果我有 5 个具有不同质量值的相等字符串，我将保留最好的一个并丢弃其他 4 个。

尽可能减少内存需求并提高速度效率是至关重要的。我的想法是使用哈希函数创建一个 JudyHS 数组，以便将字符串 DNA 序列（长 76 个字母，有 7 个可能的字符）转换为整数，以减少内存使用量（4 或 8 个字节，而不是 76 个字节数以百万计的条目应该是一个相当大的成就）。这样我就可以使用整数作为索引并只存储该索引的最佳质量值。问题是我找不到一个 UNIVOCALLY 定义这么长的字符串并产生一个可以存储在整数甚至 long long 内的值的哈希函数！

我对哈希函数的第一个想法类似于 Java 中的默认字符串哈希函数：s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[ n-1]，但我可以获得最大值 8,52*10^59.. 太大了。做同样的事情并将其存储在双重中怎么样？计算会变得慢很多吗？请注意，我想要一种统一定义字符串的方法，避免冲突（或者至少它们应该非常罕见，因为我必须在每次冲突时访问磁盘，这是一个相当昂贵的操作......）

So I have chains of DNA letters (A,G,T,C) in linked list, and am supposed to read in from a file that looks like this:

where the single letters is what you get from the 3 a,t,g,c combination. I figured out how to start where I need to start (at the AGT), but can't formulate how to read the string and compare with the file to see what matches. This is what I have so far: