问题标签 [sequence-alignment]

还有其他包，尤其是 R 的ape，它们构建了一个无根树，然后允许您通过显式指定一个 outgroup来对其进行根。

相比之下，在 BioPython 中，我可以直接创建一个有根树而不指定根，所以我想知道根是如何确定的，例如从以下代码。

我在构建树之后在这里制作了序列，但尽管如此，这是一个从该过程构建的有根树。

我正在使用与Needleman-Wunsch算法等效的算法来使用相似度矩阵进行模糊序列匹配。

一些结果接近最佳：

但有些不是：

问题出现在删除和插入周围：该算法将删除附近的单个字母对齐，这些字母与缺失的部分几乎不匹配。

我已经尝试惩罚间隙的开始，因此该算法有利于大间隙而不是小间隙。结果很糟糕，因为正如您在上面看到的，长度为 1 和 2 的间隙在正确对齐的部分中非常常见。

如何修改算法以避免进行这些错误的对齐，这些错误的对齐包括分散的分数差的字母（例如fin - - - - f - -，显然应该只是另一个-）？

编辑：对于那些不熟悉算法的人：计算分数时，不知道将采取的方式，因为方式取决于猜测：分数。

这意味着在计算分数时我不能考虑相邻的路线，因为它们是未知的。但是如果对齐是否足够好取决于邻居：如果一对不合适（请记住：我使用填充概率的相似性矩阵）并且被间隙包围，它应该得到非常差的分数（参见第二个示例） . 如果它被其他更合适的对包围，它应该得到一个很好的分数（见第一个例子）。

因此，在计算分数时，我遇到了一些先有鸡还是先有蛋的问题。

我需要一种从 3 - 1000 个不同长度的短 (10-20bp) 核苷酸 (“ATCG”) 读数中创建共有序列的方法。

一个简化的例子：

应该产生一致的序列"AGGGGC"。

我在 BioPython 库中找到了进行多序列比对 (MSA) 的模块，但仅适用于相同长度的序列。我也熟悉（并且已经实现）任意长度的两个序列的 Smith-Waterman 风格对齐。我想一定有一个库或实现结合了这些元素（MSA 不等长），但经过数小时的网络搜索和各种文档都没有找到任何东西。

关于现有模块/库（首选 Python）或我可以合并到执行此操作的管道中的程序的任何建议？

谢谢！

我想在 biopython 中做一个 MultipleSequenceAlignment，但使用一个自定义的字母表。背景是：我的序列是数字状态序列，最多有 5000 个状态。因此，我需要一个包含 5000 个字母的字母表，例如“0001”、“0042”、“4999”。这些序列长达 50 个状态/字母。

所以我的主要问题是：

• 我如何定义这样的字母表？
• 如何将此字母与 MultipleSequenceAlignment 一起使用？

或者：是否可以对列表/数组而不是序列执行 MultipleSequenceAlignment？

感谢您的时间和帮助！

我正在寻找一种算法来对齐能够处理“丢失数据”的椭圆形状。粗略的草图：

在这种情况下，我们希望将所有形状对齐到形状 #1。

我环顾四周寻找“凸形对齐”和“椭圆形对齐”，但找不到任何似乎对框架外部的缺失部分（例如右上角的图像）具有鲁棒性的东西。

是否有专门为此目的设计的算法？

我正在使用 format_alignment 来查找两个序列之间的 pariwise 对齐。我想在完全对齐中用不同的颜色（比如在碱基数 40 和碱基数 54 之间）突出显示序列的一部分，以便清楚它与哪个部分对齐。上述序列需要在两个序列中突出显示。你能建议我如何在 biopython 中做到这一点

示例序列：

序列1：ccagctgtttaattgagttgtcatatgttaataacggtatattggaacactgtataa

序列 2：CCAGCTGTTTAATTGAGTTGTCATATGTTAATAACGGTATATGGAACACTGTATAA

输入 fasta 格式的文本文件：

http://www.jcvi.org/cgi-bin/tigrfams/DownloadFile.cgi?file=/opt/www/www_tmp/tigrfams/fa_alignment_PF00205.txt

错误：

输入序列的长度不必相同，因为在 ClustalOmega 上，您可以对齐不同长度的序列。

这也不起作用......得到同样的错误：

熟悉 BioPython 的人是否知道如何解决这个问题以对齐 fasta 文件中的序列？

我正在使用 Julia 中的 Wagner–Fischer 算法研究 Levenshtein 距离。

得到最优值很容易，但在从矩阵的右下角回溯时，得到最优的操作顺序就有点困难了，比如插入或删除。

我可以记录每个 d[i][j] 的指针信息，但它可能会给我 3 个方向让我回到 d[i-1][j-1] 进行替换，d[i-1][j]用于删除和 d[i][j-1] 用于插入。所以我试图得到所有给我最佳 Levenshtein 距离的操作集的组合。

看来我可以将一个操作集存储在一个数组中，但是我不知道所有组合的总数以及长度，所以我很难定义一个数组来存储枚举期间的操作集过程。如何在存储前一个数组的同时生成数组？或者我应该使用数据框？

背景：关于序列比对的 维基百科页面说 DNA 序列比对算法也可用于自然语言处理。

问题： 因为命名实体识别器和 DNA 序列库都进行近似字符串匹配 -使用 DNA 测序库（如Bowtie）并构建您的 NER 是否可行？

不使用现有 NER 开源而是使用 DNA 测序库来构建 NER 的一个原因是希望在我的 NER 中自动获得“拼写错误纠正”。

如果我上面的假设是有道理的 - 是否有一些在线 DNA 测序工具，我可以在其中输入我的名人姓名数据库而不是 DNA 序列，并尝试在 DNA 测序工具中搜索拼写错误的“Michale Jacksun”，希望它与来自输入数据库的“迈克尔杰克逊”

我想实现一个谓词P(Xs,Ys,Zs)，其中Xs, Ys,Zs是列表​​。

我是 Prolog 的新手，我无法找到一种方法来获得Xs(example. Xs = ['b','b','A','A','A','A','b','b']) 中最长的序列，该序列包含在Ys(example Ys = ['A','A','A','A','c','A','A','A','A']) 中，而不会跨越偶数次。也许有人已经写了这段代码，或者有人可以告诉我我该如何开始。感谢您的帮助。

老师的解释。