计算文件中某个三联体的数量(DNA密码子分析)

第一次读入文件

with open("some.txt") as f:
    file_data = f.read()

然后把它分成3个

codons = [file_data[i:i+3] for i in range(0,len(file_data),3)]

然后数他们

print codons.count('aaa')

像这样

>>> my_codons = 'atgaaaccaaag'
>>> codons = [my_codons[i:i+3] for i in range(0,len(my_codons),3)]
>>> codons
['atg', 'aaa', 'cca', 'aag']
>>> codons.count('aaa')
1

显而易见的解决方案是将字符串拆分为3个字符,然后计算“aaa”的出现次数:

s = 'atgaaaccaaag'
>>> [s[i : i + 3] for i in xrange(0, len(s), 3)].count('aaa')
1

如果字符串真的很长,那么这个解决方案将在创建子字符串列表时不必要地占用一些内存。

s = 'atgaaaccaaag'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
1
>>> s = 'aaatttaaacaaagg'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
2

这使用了一个生成器表达式,而不是创建一个临时列表,因此它将更节省内存。它利用了这样一个事实 True == 1 ,即。 True + True == 2 。

您可以首先将字符串分成三元组,使用以下方法:

def split_by_size(input, length):
    return [input[i:i+length] for i in range(0, len(input), length)]

tripleList = split_by_size(input, length)

然后检查“aaa”,并对其进行总结:

print sum(filter(lambda x: x == "aaa", tripleList))

使用一个简单的shell,假设您的fasta只包含一个序列。

grep -v ">"  < input.fa |
tr -d '\n' |
sed 's/\([ATGCatgcNn]\{3,3\}\)/\1#/g' |
tr "#" "\n" |
awk '(length($1)==3)' |
sort |
uniq -c