遍历现有键并更新字典python

Question

我正在编写一个简单的脚本，该脚本循环遍历字符串，在本例中为来自文件的 dna 序列，并计算每个 dna 字符串的词频（每次相同的词列表，新的值列表）。 我的方法（见下文）使用字典将单词存储为键，并将每个单词的频率存储为值，但我一直在尝试向现有键添加新值（针对每个后续 dna 记录）。

record1 足够简单（类似于“GTACGTACATTT...”），我的字典看起来像：

{'GTAC':'2','ATTT':1,....}

然后对于 $foo 中的任何其他记录，我想更新这个字典（包含相同的键）： {'GTAC':'2','1',...,'ATTT':1,0,...}

from Bio import SeqIO



def tetra_freq(sequence):
    counts = {}
    for record in SeqIO.parse(sequence, 'fasta'):
        newseq=record.seq
        for base1 in ['A', 'T', 'G', 'C']:
            for base2 in ['A', 'T', 'G', 'C']:
                for base3 in ['A', 'T', 'G', 'C']:
                    for base4 in ['A','T','G','C']:
                        tetranucleotide = base1 + base2 + base3 + base4
                        count = newseq.count(tetranucleotide)
                        if tetranucleotide in counts.keys():
                            counts.update(count)
                        else:
                            counts[tetranucleotide] = count


    print(counts)

tetra_freq('$foo')

Answer 1

据我了解，你有一个词，说：

“GTACATTTCATGATTT”

这给了你：

{'GTAC' : 1, 'ATTT': 2, 'CATG': 1}

那么，如果你看到另一个词，说：

“GTACAATC”

你现在有：

{'GTAC' : [1, 1], 'ATTT' : [2, 0], 'CATG' : [1, 0], 'AATC' : [0, 1]}

等等？如果我误解了，我会编辑我的回复。无论如何，应该这样做：

from itertools import product

strings = ["GTACATTTCATGATTT", "GTACAATC"]

count_dict = {}
for poss_word in product('ATCG', repeat=4):
    count_dict["".join(poss_word)] = [0] * len(strings)

for index, string in enumerate(strings):
    while string:
        word = string[:4]
        count_dict[word][index] += 1
        string = string[4:]

将事物明显提取到函数中，而不是什么。

Answer 2

从你的描述中看不完全清楚你是否只看四个字母对齐的单词，即

"GTACGTACATTT" => "GTAC", "GTAC", "ATTT"

（正如您的字典计数所暗示的那样），或者您是否正在查看任何四个字母序列，

"GTACGTACATTT" => "GTAC", "TACG", "ACGT", "CGTA", "GTAC", "TACA", "ACAT", "CATT", "ATTT"

正如您使用str.count 似乎暗示的那样。请注意，如果是后者，str.count 仅计算 非重叠 实例 - 所以 "AAAAAAA".count("AAAA") 返回 1 而不是您预期的 4！

---

# assumes Python 2.7

from Bio import SeqIO
from collections import Counter
from itertools import izip, product, tee

def get_aligned_quads(seq, length=4):
    args = [iter(seq)] * length
    return (''.join(letters) for letters in izip(*args))

def get_unaligned_quads(seq, length=4):
    args = tee(iter(seq), length)
    for steps,arg in enumerate(args):
        for step in range(steps):
            next(arg, None)
    return (''.join(letters) for letters in izip(*args))

all_quads = [''.join(seq) for seq in product("ACGT", repeat=4)]

def quad_freq(sequence, aligned=True):
    get_quads = get_aligned_quads if aligned else get_unaligned_quads
    counts    = {quad:[] for quad in all_quads}

    for i,record in enumerate(SeqIO.parse(sequence, 'fasta')):
        for quad in all_quads:
            counts[quad].append(0)
        for quad in get_quads(record.seq):
            counts[quad][i] += 1
    return counts

print(quad_freq("$foo"))

编辑：我将 all_quads 转换为列表 - 应该会快一点；

我还做了一些模拟，发现（假设统一随机输入）使用 .count 少报了大约 1.049% 的基因计数。显然，某些类型的四边形比其他类型的受影响更大：

4 个相同的四边形 (“AAAA”) 被低估 1/4 (25%) - 也就是说，每次它们后跟同一个字母时。这会影响 4 / 256 个四边形，导致总基因数减少 0.39%。

2 对的四边形（“ATAT”）被低估了 1/16（6.25%） - 每次它们后跟相同的字母对时。这会影响 12 / 256 个四边形（忽略同样是 4 个的四边形），导致总基因数减少 0.29%。

第一个字母与最后一个字母相同的四边形（“AGTA”）被低估了 1/64 (1.56%) - 每次它们后跟前三个字母。这会影响 60 / 256 个四边形（忽略也是 4 个相同的四边形），导致总基因数减少 0.37%。请注意，(2-pairs - 4-the-same) 和 (first-and-last - 4-the-same) 之间没有重叠。

不符合上述任何一项的四边形不受影响；这是剩下的 180 / 256 个四边形。