问题标签 [dna-sequence]

我想使用 AMOScmp 来分析 illumina 配对端数据。AMOScmp 需要相同数量的配对文件来构建 .afg 文件。原始 fq 文件已配对。在我通过质量、重复序列和人类 DNA 控制分别传递 fq 文件后，我发现配对的末端 fa 文件具有不同的读取数。我想从配对的末端读取中删除未配对的读取，以获得两个具有相同读取数的 fa 文件。有人有脚本或知道什么软件可以帮助我解决问题吗？

我正在将文本文件逐行读取到二维数组中。我想连接 char 数组，所以我有一个长 char 数组。我遇到了麻烦，我可以让它与两个 char 数组一起工作，但是当我尝试做很多时，我出错了。

目前 char 数组如下所示：

我想得到这样的东西：

我已经包含了一些我的代码。

我是一名生物工程博士生，试图自学 Python 编程以用于自动化我的部分研究，但我遇到了处理更大列表中的子列表的问题，我似乎无法解决。

基本上，我要做的目标是编写一个小脚本，该脚本将处理一个 CSV 文件，其中包含我正在使用各种 DNA 组装方法构建的质粒序列列表，然后吐出我需要的引物序列订购以构建质粒。

这是我正在处理的场景：

当我想构建一个质粒时，我必须在我的 Excel 电子表格中输入该质粒的完整序列。我必须在称为“Gibson”和“iPCR”的两种 DNA 组装方法之间进行选择。每个“iPCR”组装只需要列表中的一行，所以我已经知道如何处理这些人，因为我只需将我正在尝试构建的质粒的完整序列放入一个单元格中。另一方面，“Gibson”组装要求我必须将完整的 DNA 序列分成更小的块，所以有时我需要 Excel 电子表格中的 2-5 行来完整描述一个质粒。

所以我最终得到了一个看起来像这样的电子表格：

构造......策略......名称

1.....Gibson.....P(OmpC)-cI::P(cI)-LacZ 控制器
1.....Gibson.....P(OmpC)-cI::P(cI )-LacZ 控制器
1......Gibson......P(OmpC)-cI::P(cI)-LacZ 控制器
2......iPCR.......P(cpcG2)-带 K1F 位置的 K1F 控制器。反馈
3 .....Gibson .....P(cpcG2)-K1F 控制器与交换启动子位置
3 .....Gibson .....P(cpcG2)-K1F 控制器与交换启动子位置
4.. ...iPCR.......P(cpcG2)-K1F 控制器，具有更强的 K1F RBS 库

我认为这个长度的列表具有足够的代表性。

所以我遇到的问题是，我希望能够遍历列表并处理吉布森，但我似乎无法让代码以我想要的方式工作。这是我到目前为止编写的代码：

（我知道代码可能看起来很菜鸟 - 除了介绍性 Java，我从未做过任何编程课程。）

这段代码的问题在于，如果我有 n 个试图通过“Gibson”组装构建的“构造”（又名质粒），它将处理前 n-1 个质粒，但不会处理最后一个。然而，我也想不出任何更好的方法来编写这段代码，但我可以看到，对于我试图实现的工作流程，知道如何处理列表中的“n”个事物，但每个“事物“可变数量的行，对我来说真的很方便。

我真的很感谢这里的任何人的帮助！非常感谢！

我的成对 DNA 序列数据以下列方式显示相似性。

以上是一个示例输入文件，原始文件是几百万行。我希望输出根据行之间的公共元素对重叠的 id 进行聚类，并将它们输出到每个聚类的一行，如下所示

我目前正在尝试使用mcl和silix对它们进行集群，但我没有成功运行 silix。但是 mcl 目前正在进行中，我想知道在 awk 或 perl 中是否有其他聪明的方法可以做到这一点。我很感激一些解决方案，谢谢。（这是我的第一篇文章，如果我犯了一些错误，我很抱歉）

只是为了让它更简单......很容易说我的输入是，

我希望输出是，

这是我之前提出的问题的后续： 在更大的列表中处理可变大小的子列表。

我设法使用 itertools 取出 DNA 片段组，但现在我面临一个不同的问题。

我需要根据这些 DNA 片段组设计引物。通过包括来自不同 DNA 片段的重叠来设计引物。假设我在一个列表中有三个 DNA 片段，片段 A、B 和 C。我需要提取：

• C的最后20个核苷酸（nt）与A的前40个核苷酸（按顺序）连接，
• B 的前 20 个 nt 的反向补码 (RC) 按顺序与 A 的最后一个 nt 的 RC 连接，
• A 的最后 20 nt 与 B 的前 40 nt 连接，
• C 的前 20 nt 的 RC 与 B 的最后 40 nt 的 RC 连接，
• C 的最后 20 nt 与 A 的前 40 nt 连接，
• A 的前 20 nt 的 RC 与 C 的后 40 nt 的 RC 连接。

我似乎无法解决这个问题，而且我不确定从哪里开始最适合我......

到目前为止，我已经编写的代码仅输出“第 1 组”（故意这样，我可以最大限度地减少我正在处理的视觉输出量）。这里是：

任何帮助将不胜感激！

非常感谢 SO 社区帮助我解决了我之前遇到的问题。喜欢这里的帮助！

我现在还有另一个问题。我有一个与“构造编号”和“部件编号”相关联的 DNA 序列的平面列表。就目前的情况而言，从我之前的代码中，我将它作为一个 csv 文件打开，读取并导入为字典对象列表。所有内容都已按“构造编号”排序，但我需要按“零件编号”排序。（这有点像在 Excel 中，他们说“首先按然后排序_。”

有人知道如何完成这项工作吗？到目前为止，我写的都是这样的：

到目前为止，输出的一个子集如下，用于可视化我正在使用的数据：

我写了这段代码

它生成一个看起来像这样的列表 -

['TAAAACACCC', 'TCAATTCAAG', 'GGTTTTTGAG', 'CGAGCTTTTT', 'ACTCAAAGAA', 'TCCAAGATAG', 'CGTTTAAAAA', 'TTTAGGGGTG', 'TTAGGCTCAG', 'CATAGAGTTT']

现在下一步是读取列表中每个元素中字母GC（或 can be ）的出现次数。CG有没有办法以输出文件看起来像这样的方式遍历列表：

由于文件太大，而且'TAAGATATA'我将获得的段数（列表中的每个单独元素，如在输出文件中。另外，由于我是 python（和编程）的新手，所以我不太擅长使用函数。

用于计算两个序列之间相似性的最著名算法的计算复杂度是多少（如在 DNA 或蛋白质比对/近似字符串匹配中）？

相似性基于：

1. 使用替换评分矩阵对对齐进行评分（用于蛋白质字母表中 20 个符号或 DNA 字母表中 4 个符号的全局或特定位置替换）

2. 差距罚球

Bowtie和BWA短读对齐器中使用的Burrows-Wheeler 变换的线性时间是实际最先进的，还是有解决相同问题的亚线性算法？

[编辑]：考虑应用LSH进行近似匹配，假设参考数据集的预处理/索引将是次线性的

感谢您之前的建议，

我有另一个正则表达式问题：

现在我有一个带有这种模式的列表：

以及 Fasta 格式的 DNA 测序文件：

编辑重新格式化的行

我需要在 Fasta 文件（例如，>OCTU7 和 >OCTU33）中找到带有*（例如，7 或 33）的列表中的数字，并仅将列表中存在的 Fasta 序列复制到另一个文件中，这个是我的脚本：

脚本似乎可以工作，但我认为模式不正确，因为创建的文件是空的。

提前感谢您的宝贵建议。

这是输入文件的样子：

1-1_Sample 1 GCCCATGGCT 2-1_Sample 1 GAGTGTATGT 3-1_Sample 1 TGTTCTATCT 1-1_Sample 2 GCTTAGCCAT 2-1_Sample 2 TGTAGTCAGT 3-1_Sample 2 GGGAACCAAG 1-1_Sample 3 TGGAAGCGGT 2-1_Sample 3 CGGGAGGAG

背景：我对 C++ 非常陌生，并试图自学用它来补充我的研究生研究。我是遗传学博士候选人，试图模拟不同的进化历史，以及它们如何影响人群中等位基因的频率。

问题：我正在尝试从我从输入文件创建的“dna”数组中提取某些数据部分。例如，在这里我创建了另一个数组“Af”，我试图在其中提取 dna 数组的第一个“细胞”的计数。这样做的目的是让我可以通过将某些细胞组中的计数与整个 dna 阵列中的计数进行比较来计算频率。我不知道该怎么做。我不断收到错误消息：“将'FLOAT'分配给'FLOAT [1] [1]'的类型不兼容”

我花了很多时间在不同的论坛上研究这个，但我似乎无法理解这个错误意味着什么，以及如何实现我想要实现的目标。

所以我正在可视化的 dna 数组是由输入文件制成的，因此有 4 行（A、C、G、T）。然后是 10 列（系列中的每个核苷酸一列）。然后将该“网格”堆叠 3 次（输入文件中列出的每个样本（这里样本表示总体，每个总体有 3 个个体）一个“表”）。因此，我想从这堆网格中提取，例如，第一个单元格（样本 1 中位置 1 的 A 数。然后我想将此数字与所有样本中位置 1 的 A 总数进行比较。对于我正在测试的模型，这个频率将是一个有意义的数字。

问题是，我不知道如何提取 dna 数组的一部分——一旦我弄清楚这个精简的例子，我将把它应用到非常大的输入文件中，并且一次要提取多个单元格。