我有一个程序输出,其中有一个不同变体的“串联重复”。是否可以(在字符串中)搜索主题并告诉程序查找最多“3”个不匹配/插入/删除的所有变体?
我不知道我使用的
'AT','CG','TC','CA','TG','GC','GG'
是否是合法的碱基对组合。 (我睡过生物学...)如果您想生成用于测试的合法随机字符串,只需将
map
块对编辑为合法对,并将 7
更改为对的数量。如果 offset
点处的子字符串相差 3 个或更少,则数组元素(标量值)将存储在哈希值部分的匿名数组中。哈希的关键部分是接近匹配的子字符串。这些值可以是文件名、Perl 数据引用或您想要与主题关联的其他相关引用,而不是数组元素。
虽然我刚刚查看了字符串之间的逐个字符差异,但您可以通过将行foreach my $j (0..$#a1) { $diffs++ unless ($a1[$j] eq $a2[$j]); }
替换为适合您的问题的比较逻辑来放置您需要查看的任何特定逻辑。我不知道
mismatches/insertions/deletions
在你的字符串中是如何表示的,所以我把它作为练习留给读者。也许来自 CPAN 的 Algorithm::Diff或 String::Diff? 很容易修改此程序以使用键盘输入
$target
和
$offset
或从头到尾搜索字符串,而不是按固定偏移量搜索多个字符串。use strict; use warnings;
my @bps;
push(@bps,join('',map { ('AT','CG','TC','CA','TG','GC','GG')[rand 7] }
0..5428)) for(1..1_000);
my $len=length($bps[0]);
my $s_count= scalar @bps;
print "$s_count random strings generated $len characters long\n" ;
my $target="CGTCGCACAG";
my $offset=832;
my $nlen=length $target;
my %HoA;
my $diffs=0;
my @a2=split(//, $target);
substr($bps[-1], $offset, $nlen)=$target; #guarantee 1 match
substr($bps[-2], $offset, $nlen)="CATGGCACGG"; #anja example
foreach my $i (0..$#bps) {
my $cand=substr($bps[$i], $offset, $nlen);
my @a1=split(//, $cand);
$diffs=0;
foreach my $j (0..$#a1) { $diffs++ unless ($a1[$j] eq $a2[$j]); }
next if $diffs > 3;
push (@{$HoA{$cand}}, $i);
}
foreach my $hit (keys %HoA) {
my @a1=split(//, $hit);
$diffs=0;
my $ds="";
foreach my $j (0..$#a1) {
if($a1[$j] eq $a2[$j]) {
$ds.=" ";
} else {
$diffs++;
$ds.=$a1[$j];
}
}
print "Target: $target\n",
"Candidate: $hit\n",
"Differences: $ds $diffs differences\n",
"Array element: ";
foreach (@{$HoA{$hit}}) {
print "$_ " ;
}
print "\n\n";
}
输出:
1000 random strings generated 10858 characters long
Target: CGTCGCACAG
Candidate: CGTCGCACAG
Differences: 0 differences
Array element: 999
Target: CGTCGCACAG
Candidate: CGTCGCCGCG
Differences: CGC 3 differences
Array element: 696
Target: CGTCGCACAG
Candidate: CGTCGCCGAT
Differences: CG T 3 differences
Array element: 851
Target: CGTCGCACAG
Candidate: CGTCGCATGG
Differences: TG 2 differences
Array element: 986
Target: CGTCGCACAG
Candidate: CATGGCACGG
Differences: A G G 3 differences
Array element: 998
..several cut out..
Target: CGTCGCACAG
Candidate: CGTCGCTCCA
Differences: T CA 3 differences
Array element: 568 926
以下是如何使用它的示例:
#!/usr/bin/perl
use Tandyman;
$sequence = "ATGCATCGTAGCGTTCAGTCGGCATCTATCTGACGTACTCTTACTGCATGAGTCTAGCTGTACTACGTACGAGCTGAGCAGCGTACgTG";
my $tandy = Tandyman->new(\$sequence,'n'); #Can't believe I coded it to take a scalar reference! Prob. fresh out of a cpp class when I wrote it.
$tandy->SetParams(4,2,3,3,4);
#The parameters are, in order:
# repeat unit size
# min number of repeat units to require a hit
# allowed mistakes per unit (an upper bound for "mistake concentration")
# allowed mistakes per window (a lower bound for "mistake concentration")
# number of units in a "window"
while(@repeat_info = $tandy->FindRepeat())
{print(join("\t",@repeat_info),"\n")}
此测试的输出如下所示(运行需要可怕的 11 秒):
25 32 TCTA 2 0.87 TCTA TCTG
58 72 CGTA 4 0.81 CTGTA CTA CGTA CGA
82 89 CGTA 2 0.87 CGTA CGTG
45 51 TGCA 2 0.87 TGCA TGA
65 72 ACGA 2 0.87 ACGT ACGA
23 29 CTAT 2 0.87 CAT CTAT
36 45 TACT 3 0.83 TACT CT TACT
24 31 ATCT 2 1 ATCT ATCT
51 59 AGCT 2 0.87 AGTCT AGCT
33 39 ACGT 2 0.87 ACGT ACT
62 72 ACGT 3 0.83 ACT ACGT ACGA
80 88 ACGT 2 0.87 AGCGT ACGT
81 88 GCGT 2 0.87 GCGT ACGT
63 70 CTAC 2 0.87 CTAC GTAC
32 38 GTAC 2 0.87 GAC GTAC
60 74 GTAC 4 0.81 GTAC TAC GTAC GAGC
23 30 CATC 2 0.87 CATC TATC
71 82 GAGC 3 0.83 GAGC TGAGC AGC
1 7 ATGC 2 0.87 ATGC ATC
54 60 CTAG 2 0.87 CTAG CTG
15 22 TCAG 2 0.87 TCAG TCGG
70 81 CGAG 3 0.83 CGAG CTGAG CAG
44 50 CATG 2 0.87 CTG CATG
25 32 TCTG 2 0.87 TCTA TCTG
82 89 CGTG 2 0.87 CGTA CGTG
55 73 TACG 5 0.75 TAGCTG TAC TACG TACG AG
69 83 AGCG 4 0.81 ACG AGCTG AGC AGCG
15 22 TCGG 2 0.87 TCAG TCGG
如您所见,它允许插入缺失和 SNP。这些列按顺序排列为:
起始位置
不幸的是,该软件包并未公开。我从来没有费心去提供它,因为它太慢了,甚至不适合原核大小的基因组搜索(尽管它对于单个基因来说是可行的)。在我的新手编码时代,我开始添加一个功能来将“状态”作为输入,以便我可以在序列的各个部分上并行运行它,但我从未完成过,一旦我学会了哈希会让它变得更快。到那时,我已经转向其他项目。但如果它适合您的需求,请给我留言,我可以通过电子邮件给您发送一份副本。
它的代码只有不到 1000 行,但有很多附加功能,例如允许 IUPAC 歧义代码 (BDHVRYKMSWN)。它适用于氨基酸和核酸。它过滤掉内部重复(例如,不将 TTTT 或 ATAT 报告为 4nt 共识)。