匹配序列的开始和结束索引从索引计数中跳过“-”或特殊字符
Start and end indices of the matched sequences skipping the '-' or special characters from index counting
我正在使用一个函数，我需要匹配的大写字母的开始和结束索引。但要记住的一件事是，如果任何字符串中有任何“-”，我们需要跳过索引计数。例如：
str1 = 'ATCGATCGATCG------ATCGATCG'
str2 = 'CGcgCGCGCGCG---CGCCGCGcgCG'
这里其实应该算字符串的长度：
str1：20（而不是 26）
和 str2：23（而不是 26）。
这里的开始和结束索引应该是：
matched_str: 'CG', 'CG', 'CG', 'CG'
start = [6, 10, 14, 18]
end= [7, 11, 18, 22]
现在我得到了以下函数，它不会在两个字符串中的任何一个中遇到“-”时跳过索引。我该如何修改以下代码来做到这一点？
str1 = 'ggtacTGAGGTCCCCTGGGTACTGAGATCTCCTCGGTACTGAAGTCTCCTCGGTGCTGAGGTCGCCTCGGTGCTGAGACCTCCTAGGTATTGAGGTCGCCTCGGTACTGAGGTTGCCTC----------------------------GGTGCTGAGGT-----CGCCACGGTGCTGAGACCTCCTAGATACTGAGG----TCTCCTAGGCACGGAGATCTCCTATGTACAGAGACCTCGTCGGTACTGAGGTCGCCTAGGTACTGAGACCTTCTAGGTCCTGAGGT--------CTAGGTACTGAGG-CCTTCTCC\n'
str2 = 'GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTT-CCTCTCCCGGGATGCTGAGGTTCCTCTCCCGGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAG---------------------------------GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCTCTCC\n'
matches = []
for i,(letter1, letter2) in enumerate(zip(str1,str2)):#i=index, letter1=str1, letter2=str2
# print(letter1, letter2)
if ((letter1 == letter2) and
letter1 in ['A','T','C','G'] and letter2 in ['A','T','C','G']):
if (not matches or matches[-1][1] != i-1):
matches.append([i,i])
else:
matches[-1][1] += 1
start = [k[0] for k in matches]
end = [k[1] for k in matches]
print(start, end)
我实际上建议只对字符串进行一些预处理
str1 = 'ggtacTGAGGTCCCCTGGGTACTGAGATCTCCTCGGTACTGAAGTCTCCTCGGTGCTGAGGTCGCCTCGGTGCTGAGACCTCCTAGGTATTGAGGTCGCCTCGGTACTGAGGTTGCCTC----------------------------GGTGCTGAGGT-----CGCCACGGTGCTGAGACCTCCTAGATACTGAGG----TCTCCTAGGCACGGAGATCTCCTATGTACAGAGACCTCGTCGGTACTGAGGTCGCCTAGGTACTGAGACCTTCTAGGTCCTGAGGT--------CTAGGTACTGAGG-CCTTCTCC'
str2 = 'GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTT-CCTCTCCCGGGATGCTGAGGTTCCTCTCCCGGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAG---------------------------------GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCTCTCC'
str1 = list(str1)
str2 = list(str2)
shortest_len = min(len(str1), len(str2))
for i in range(shortest_len):
if str1[i] == '-' or str2[i] == '-':
str1[i] = '-'
str2[i] = '-'
str1 = '-'.join(str1).replace('-','')
str2 = '-'.join(str2).replace('-','')
这只是确保两个字符串在完全相同的索引处都有“-”，然后您可以将它们从字符串中删除。
与其修改您的代码，不如在进入您编写的代码之前添加几行来准备您的字符串。
假设我们有这两个字符串：
str1 = GCGC----ATGC
str2 = GC----AgcTGG
在这种情况下，如果两个字符串中的一项中有'-'，只需删除'-'和与删除的'-'具有相同索引的字母
在这种情况下，您将拥有：
str1_preprocessed = GCATGC (GCGC----ATGC)
str2_preprocessed = GCcTGG (GC----AgcTGG)
然后您就可以为您的函数准备好字符串了。
答案将是以下函数。我使用 exclusive1 和 exclusive2 变量通过跳过 '-' 分别计算 str1 和 str2 的索引。但我保持 2 个字符串的长度相同。然后我使用第 3 个 'for loop' 来计算匹配字符串的开始和结束索引（考虑原始字符串包括'-'）。然后我使用这些开始和结束索引作为 exclusive1 和 exclusive2 变量的索引。
def matched_indices():
str1 = 'GGTGGCGGGGACGGACTCGTGGTGACATGTCCGCGTGTGTGCTTTGCTCTCAGGGAGCCACGACACGATGACGTACTGCCTGAACAAGAAGTCCCCCATTTCGCACGAGGAGTCCCGGCTGCTGCAGCTGCTGAACAAGGCCTTGCCCTGCATCACGCGCCCTGTCGTGCTGAAATGGTCCGTCACCCAGGTACGG\n'
str2 = 'GGCGTCAGGGGCGG---------GATATGACCG-GTGACTTGCGTGTCCCCAGGGAGCCACGACACGATGACATACTGCCTGAACCGTAAGTCTCGGATCTCCCGTGCAAGTTCGTGGCTACTGCACCTGTTGGGCCGGGTCGTGCCATTCATCACCGGGCCCGTGGTGATGAAATGGTCGGTCACACAGGTGAGG\n'
exclusive1 = [] #new indices skipping indels for 1st sequence
exclusive2 = [] #new indices skipping indels for 2nd sequence
count=0
for idx, val in enumerate(str1):
if (val not in ['-', '\n', '+', '-', '.']) and (idx!=len(str1)-1) and (str1[idx+1] not in ['-', '\n', '+', '-', '.']): #str is not '-' and not the last idx and next is not '-'
exclusive1.append(count)
count+=1
elif (val not in ['-', '\n', '+', '-', '.']) and (idx==len(str1)-1): #str is not '-' and the last idx
exclusive1.append(count)
elif (val in ['-', '\n', '+', '-', '.']) and (idx!=len(str1)-1) and (str1[idx+1] not in ['-', '\n', '+', '-', '.']): #str is '-' and not the last idx and next is not '-'
exclusive1.append(count)
count+=1
else: #str is '-'
exclusive1.append(count)
count=0
for idx, val in enumerate(str2):
if (val not in ['-', '\n', '+', '-', '.']) and (idx!=len(str2)-1) and (str2[idx+1] not in ['-', '\n', '+', '-', '.']):
exclusive2.append(count)
count+=1
elif (val not in ['-', '\n', '+', '-', '.']) and (idx==len(str2)-1):
exclusive2.append(count)
elif (val in ['-', '\n', '+', '-', '.']) and (idx!=len(str2)-1) and (str2[idx+1] not in ['-', '\n', '+', '-', '.']):
exclusive2.append(count)
count+=1
else:
exclusive2.append(count)
matches = []
for i,(letter1, letter2) in enumerate(zip(str1,str2)):#i=index, letter1=str1, letter2=str2
if ((letter1 == letter2) and (letter1 in ['A','T','C','G']) and (letter2 in ['A','T','C','G'])):
if not matches or matches[-1][1] != i-1:
matches.append([i,i])
else:
matches[-1][1] += 1
start = [k[0] for k in matches]
end = [k[1] for k in matches]
first_start = [exclusive1[i] for i in start]
second_end = [exclusive2[i] for i in end]
first_end = [exclusive1[i] for i in end]
second_start = [exclusive2[i] for i in start]
return first_start, first_end, second_start, second_end
first_start = []
first_end = []
second_start = []
second_end = []
for _ in starmap(list.extend, zip([first_start, first_end, second_start, second_end], matched_indices())):
pass
print(first_start, first_end, second_start, second_end)
输出：
first_start [0, 3, 5, 7, 11, 23, 26, 30, 34, 39, 44, 48, 50, 73, 88, 94, 97, 100, 103, 106, 112, 116, 121, 127, 131, 135, 138, 141, 143, 148, 150, 158, 160, 163, 166, 170, 181, 187, 194]
first_end [1, 3, 5, 9, 13, 24, 28, 32, 36, 39, 45, 48, 71, 84, 92, 94, 98, 101, 103, 106, 113, 119, 125, 129, 132, 135, 139, 141, 146, 148, 155, 158, 161, 164, 168, 179, 185, 191, 195]
second_start [0, 3, 5, 7, 11, 14, 17, 21, 24, 29, 34, 38, 40, 63, 78, 84, 87, 90, 93, 96, 102, 106, 111, 117, 121, 125, 128, 131, 133, 138, 140, 148, 150, 153, 156, 160, 171, 177, 184]
second_end [1, 3, 5, 9, 13, 15, 19, 23, 26, 29, 35, 38, 61, 74, 82, 84, 88, 91, 93, 96, 103, 109, 115, 119, 122, 125, 129, 131, 136, 138, 145, 148, 151, 154, 158, 169, 175, 181, 185]
尽管是相同匹配字符串的一部分，但您可以在两个字符串中看到上述 4 个索引的差异。这就是我今天试图解决并寻求帮助的问题，但似乎没有人正确理解我的问题。因此，我附上了解决方案以供将来提供帮助。
我正在使用一个函数，我需要匹配的大写字母的开始和结束索引。但要记住的一件事是，如果任何字符串中有任何“-”，我们需要跳过索引计数。例如：
str1 = 'ATCGATCGATCG------ATCGATCG'
str2 = 'CGcgCGCGCGCG---CGCCGCGcgCG'
这里其实应该算字符串的长度：
str1：20（而不是 26）
和 str2：23（而不是 26）。
这里的开始和结束索引应该是：
matched_str: 'CG', 'CG', 'CG', 'CG'
start = [6, 10, 14, 18]
end= [7, 11, 18, 22]
现在我得到了以下函数，它不会在两个字符串中的任何一个中遇到“-”时跳过索引。我该如何修改以下代码来做到这一点？
str1 = 'ggtacTGAGGTCCCCTGGGTACTGAGATCTCCTCGGTACTGAAGTCTCCTCGGTGCTGAGGTCGCCTCGGTGCTGAGACCTCCTAGGTATTGAGGTCGCCTCGGTACTGAGGTTGCCTC----------------------------GGTGCTGAGGT-----CGCCACGGTGCTGAGACCTCCTAGATACTGAGG----TCTCCTAGGCACGGAGATCTCCTATGTACAGAGACCTCGTCGGTACTGAGGTCGCCTAGGTACTGAGACCTTCTAGGTCCTGAGGT--------CTAGGTACTGAGG-CCTTCTCC\n'
str2 = 'GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTT-CCTCTCCCGGGATGCTGAGGTTCCTCTCCCGGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAG---------------------------------GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCTCTCC\n'
matches = []
for i,(letter1, letter2) in enumerate(zip(str1,str2)):#i=index, letter1=str1, letter2=str2
# print(letter1, letter2)
if ((letter1 == letter2) and
letter1 in ['A','T','C','G'] and letter2 in ['A','T','C','G']):
if (not matches or matches[-1][1] != i-1):
matches.append([i,i])
else:
matches[-1][1] += 1
start = [k[0] for k in matches]
end = [k[1] for k in matches]
print(start, end)
我实际上建议只对字符串进行一些预处理
str1 = 'ggtacTGAGGTCCCCTGGGTACTGAGATCTCCTCGGTACTGAAGTCTCCTCGGTGCTGAGGTCGCCTCGGTGCTGAGACCTCCTAGGTATTGAGGTCGCCTCGGTACTGAGGTTGCCTC----------------------------GGTGCTGAGGT-----CGCCACGGTGCTGAGACCTCCTAGATACTGAGG----TCTCCTAGGCACGGAGATCTCCTATGTACAGAGACCTCGTCGGTACTGAGGTCGCCTAGGTACTGAGACCTTCTAGGTCCTGAGGT--------CTAGGTACTGAGG-CCTTCTCC'
str2 = 'GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTT-CCTCTCCCGGGATGCTGAGGTTCCTCTCCCGGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAG---------------------------------GATGCTGAGGTTCCCAGGATGCTGAGGTTCCCAGGATGCTGAGGTTCCTCTCCCAGGATGCTGAGGTTCCTCTCC'
str1 = list(str1)
str2 = list(str2)
shortest_len = min(len(str1), len(str2))
for i in range(shortest_len):
if str1[i] == '-' or str2[i] == '-':
str1[i] = '-'
str2[i] = '-'
str1 = '-'.join(str1).replace('-','')
str2 = '-'.join(str2).replace('-','')
这只是确保两个字符串在完全相同的索引处都有“-”，然后您可以将它们从字符串中删除。
与其修改您的代码，不如在进入您编写的代码之前添加几行来准备您的字符串。
假设我们有这两个字符串：
str1 = GCGC----ATGC
str2 = GC----AgcTGG
在这种情况下，如果两个字符串中的一项中有'-'，只需删除'-'和与删除的'-'具有相同索引的字母 在这种情况下，您将拥有：
str1_preprocessed = GCATGC (GCGC----ATGC)
str2_preprocessed = GCcTGG (GC----AgcTGG)
然后您就可以为您的函数准备好字符串了。
答案将是以下函数。我使用 exclusive1 和 exclusive2 变量通过跳过 '-' 分别计算 str1 和 str2 的索引。但我保持 2 个字符串的长度相同。然后我使用第 3 个 'for loop' 来计算匹配字符串的开始和结束索引（考虑原始字符串包括'-'）。然后我使用这些开始和结束索引作为 exclusive1 和 exclusive2 变量的索引。
def matched_indices():
str1 = 'GGTGGCGGGGACGGACTCGTGGTGACATGTCCGCGTGTGTGCTTTGCTCTCAGGGAGCCACGACACGATGACGTACTGCCTGAACAAGAAGTCCCCCATTTCGCACGAGGAGTCCCGGCTGCTGCAGCTGCTGAACAAGGCCTTGCCCTGCATCACGCGCCCTGTCGTGCTGAAATGGTCCGTCACCCAGGTACGG\n'
str2 = 'GGCGTCAGGGGCGG---------GATATGACCG-GTGACTTGCGTGTCCCCAGGGAGCCACGACACGATGACATACTGCCTGAACCGTAAGTCTCGGATCTCCCGTGCAAGTTCGTGGCTACTGCACCTGTTGGGCCGGGTCGTGCCATTCATCACCGGGCCCGTGGTGATGAAATGGTCGGTCACACAGGTGAGG\n'
exclusive1 = [] #new indices skipping indels for 1st sequence
exclusive2 = [] #new indices skipping indels for 2nd sequence
count=0
for idx, val in enumerate(str1):
if (val not in ['-', '\n', '+', '-', '.']) and (idx!=len(str1)-1) and (str1[idx+1] not in ['-', '\n', '+', '-', '.']): #str is not '-' and not the last idx and next is not '-'
exclusive1.append(count)
count+=1
elif (val not in ['-', '\n', '+', '-', '.']) and (idx==len(str1)-1): #str is not '-' and the last idx
exclusive1.append(count)
elif (val in ['-', '\n', '+', '-', '.']) and (idx!=len(str1)-1) and (str1[idx+1] not in ['-', '\n', '+', '-', '.']): #str is '-' and not the last idx and next is not '-'
exclusive1.append(count)
count+=1
else: #str is '-'
exclusive1.append(count)
count=0
for idx, val in enumerate(str2):
if (val not in ['-', '\n', '+', '-', '.']) and (idx!=len(str2)-1) and (str2[idx+1] not in ['-', '\n', '+', '-', '.']):
exclusive2.append(count)
count+=1
elif (val not in ['-', '\n', '+', '-', '.']) and (idx==len(str2)-1):
exclusive2.append(count)
elif (val in ['-', '\n', '+', '-', '.']) and (idx!=len(str2)-1) and (str2[idx+1] not in ['-', '\n', '+', '-', '.']):
exclusive2.append(count)
count+=1
else:
exclusive2.append(count)
matches = []
for i,(letter1, letter2) in enumerate(zip(str1,str2)):#i=index, letter1=str1, letter2=str2
if ((letter1 == letter2) and (letter1 in ['A','T','C','G']) and (letter2 in ['A','T','C','G'])):
if not matches or matches[-1][1] != i-1:
matches.append([i,i])
else:
matches[-1][1] += 1
start = [k[0] for k in matches]
end = [k[1] for k in matches]
first_start = [exclusive1[i] for i in start]
second_end = [exclusive2[i] for i in end]
first_end = [exclusive1[i] for i in end]
second_start = [exclusive2[i] for i in start]
return first_start, first_end, second_start, second_end
first_start = []
first_end = []
second_start = []
second_end = []
for _ in starmap(list.extend, zip([first_start, first_end, second_start, second_end], matched_indices())):
pass
print(first_start, first_end, second_start, second_end)
输出：
first_start [0, 3, 5, 7, 11, 23, 26, 30, 34, 39, 44, 48, 50, 73, 88, 94, 97, 100, 103, 106, 112, 116, 121, 127, 131, 135, 138, 141, 143, 148, 150, 158, 160, 163, 166, 170, 181, 187, 194]
first_end [1, 3, 5, 9, 13, 24, 28, 32, 36, 39, 45, 48, 71, 84, 92, 94, 98, 101, 103, 106, 113, 119, 125, 129, 132, 135, 139, 141, 146, 148, 155, 158, 161, 164, 168, 179, 185, 191, 195]
second_start [0, 3, 5, 7, 11, 14, 17, 21, 24, 29, 34, 38, 40, 63, 78, 84, 87, 90, 93, 96, 102, 106, 111, 117, 121, 125, 128, 131, 133, 138, 140, 148, 150, 153, 156, 160, 171, 177, 184]
second_end [1, 3, 5, 9, 13, 15, 19, 23, 26, 29, 35, 38, 61, 74, 82, 84, 88, 91, 93, 96, 103, 109, 115, 119, 122, 125, 129, 131, 136, 138, 145, 148, 151, 154, 158, 169, 175, 181, 185]
尽管是相同匹配字符串的一部分，但您可以在两个字符串中看到上述 4 个索引的差异。这就是我今天试图解决并寻求帮助的问题，但似乎没有人正确理解我的问题。因此，我附上了解决方案以供将来提供帮助。