在 Java 中实现共识序列的好方法是什么？

Question

我有以下问题：

• 我有 2 串 DNA 序列（由 ACGT 组成），它们有一个或两个不同 斑点。
• 找出差异是微不足道的，所以让我们忽略它
• 对于每个差异，我想获得代表两种可能性的 consensus symbol（例如，M 代表 A 或 C）

我知道我可以制作一个巨大的if-cascade，但我想这不仅丑陋且难以维护，而且速度也很慢。

有什么快速、易于维护的方法来实现它？也许是某种查找表，或者组合的矩阵？任何代码示例将不胜感激。我会使用 Biojava，但我已经使用的当前版本不提供该功能（或者我还没有找到它......）。

更新：这里似乎有点混乱。共识符号是单个字符，代表两个序列中的单个字符。

String1 和 String2 是，例如“ACGT”和“ACCT”——它们在位置 2 上不匹配。所以，我希望共识字符串是 ACST，因为 S 代表“C 或 G”

我想做一个这样的方法：

char getConsensus(char a, char b)

更新 2：如果我只有 2 个序列，一些建议的方法可以工作。我可能需要对这些“共识”进行多次迭代，因此输入字母可能会从“ACGT”增加到“ACGTRYKMSWBDHVN”，这会使一些提议的方法难以编写和维护。

Answer 1

您可以只使用 HashMap<String, String> 将冲突/差异映射到共识符号。您可以“硬编码”（填写您的应用程序的代码）或在您的应用程序启动期间从某些外部源（文件、数据库等）填写它。然后你只要有不同就使用它。

String consensusSymbol = consensusMap.get(differenceString);

编辑：为了满足您的 API 请求；]

Map<String, Character> consensusMap; // let's assume this is filled somewhere
...
char getConsensus(char a, char b) {
    return consensusMap.get("" + a + b);
}

我知道这看起来很粗糙，但我想你明白了。这可能比查找表稍慢，但也更容易维护。

另一个编辑：

如果你真的想要超快的东西并且你实际上使用char 类型，你可以创建一个二维表并用字符索引它（因为它们被解释为数字）。

char lookup[][] = new char[256][256]; // all "english" letters will be below 256
//... fill it... e. g. lookup['A']['C'] = 'M';
char consensus = lookup['A']['C'];

Answer 2

一个简单、快速的解决方案是使用按位或。

在启动时，初始化两个表：

• 一个包含 128 个元素的稀疏表，用于将核苷酸映射到单个位。 “稀疏”意味着您只需设置您将使用的成员：IUPAC 代码的大小写。
• 一个 16 元素表，用于将按位一致性映射到 IUPAC 核苷酸代码。

要获得单一立场的共识：

1. 使用第一个表中的核苷酸作为索引，以获得按位表示。
2. 按位或按位表示。
3. 使用按位或作为 16 元素表的索引。

这里有一个简单的按位表示可以帮助您入门：

    private static final int A = 1 << 3;
    private static final int C = 1 << 2;
    private static final int G = 1 << 1;
    private static final int T = 1 << 0; 

这样设置第一个表的成员：

    characterToBitwiseTable[ 'd' ] = A | G | T;
    characterToBitwiseTable[ 'D' ] = A | G | T;

这样设置第二个表的成员：

    bitwiseToCharacterTable[ A | G | T ] = 'd';

Answer 3

鉴于它们都是独特的符号，我会选择Enum：

public Enum ConsensusSymbol
{
    A("A"), // simple case
    // ....
    GTUC("B"),
    // etc
    // last entry:
    AGCTU("N");

    // Not sure what X means?

    private final String symbol;

    ConsensusSymbol(final String symbol)
    {
        this.symbol = symbol;
    }

    public String getSymbol()
    {
        return symbol;
    }
}

然后，当你遇到不同时，使用.valueOf()：

final ConsensusSymbol symbol;

try {
    symbol = ConsensusSymbol.valueOf("THESEQUENCE");
} catch (IllegalArgumentException e) { // Unknown sequence
    // TODO
}

例如，如果您遇到 GTUC 作为字符串，Enum.valueOf("GTUC") 将返回 GTUC 枚举值，并且在该值上调用 getSymbol() 将返回 "B"。

Answer 4

可能的组合约为 20。因此不存在真正的性能问题。 如果你不想做一个大的 if else 块，最快的解决方案是构建一个 Tree 数据结构。 http://en.wikipedia.org/wiki/Tree_data_structure。这是完成您想做的事情的最快方式。

在一棵树中，你放置所有可能的组合，然后输入字符串，它会遍历树来找到一个符号的最长匹配序列

你想要一个有插图的例子吗？

PS：所有的人工智能软件都使用了最快、最适应的Tree方法。

Answer 5

考虑一次读取多个序列 - 我会：

1. 将序列中同一位置的所有字符放入一个集合中
2. 对集合中的值进行排序和连接，并像 fge 的示例一样使用 enum.valueOf()
3. 将获取的值用作 EnumMap 的键，并将 consesus 符号作为值

可能有一些方法可以优化第二步和第一步。

Answer 6

一个可能的使用枚举的解决方案，灵感来自 pablochan，来自biostar.stackexchange.com 的一些输入：

enum lut {
     AA('A'), AC('M'), AG('R'), AT('W'), AR('R'), AY('H'), AK('D'), AM('M'), AS('V'), AW('W'), AB('N'), AD('D'), AH('H'), AV('V'), AN('N'),
     CA('M'), CC('C'), CG('S'), CT('Y'), CR('V'), CY('Y'), CK('B'), CM('M'), CS('S'), CW('H'), CB('B'), CD('N'), CH('H'), CV('V'), CN('N'),
     GA('R'), GC('S'), GG('G'), GT('K'), GR('R'), GY('B'), GK('K'), GM('V'), GS('S'), GW('D'), GB('B'), GD('D'), GH('N'), GV('V'), GN('N'),
     TA('W'), TC('Y'), TG('K'), TT('T'), TR('D'), TY('Y'), TK('K'), TM('H'), TS('B'), TW('W'), TB('B'), TD('D'), TH('H'), TV('N'), TN('N'),
     RA('R'), RC('V'), RG('R'), RT('D'), RR('R'), RY('N'), RK('D'), RM('V'), RS('V'), RW('D'), RB('N'), RD('D'), RH('N'), RV('V'), RN('N'),
     YA('H'), YC('Y'), YG('B'), YT('Y'), YR('N'), YY('Y'), YK('B'), YM('H'), YS('B'), YW('H'), YB('B'), YD('N'), YH('H'), YV('N'), YN('N'),
     KA('D'), KC('B'), KG('K'), KT('K'), KR('D'), KY('B'), KK('K'), KM('N'), KS('B'), KW('D'), KB('B'), KD('D'), KH('N'), KV('N'), KN('N'),
     MA('M'), MC('M'), MG('V'), MT('H'), MR('V'), MY('H'), MK('N'), MM('M'), MS('V'), MW('H'), MB('N'), MD('N'), MH('H'), MV('V'), MN('N'),
     SA('V'), SC('S'), SG('S'), ST('B'), SR('V'), SY('B'), SK('B'), SM('V'), SS('S'), SW('N'), SB('B'), SD('N'), SH('N'), SV('V'), SN('N'),
     WA('W'), WC('H'), WG('D'), WT('W'), WR('D'), WY('H'), WK('D'), WM('H'), WS('N'), WW('W'), WB('N'), WD('D'), WH('H'), WV('N'), WN('N'), 
     BA('N'), BC('B'), BG('B'), BT('B'), BR('N'), BY('B'), BK('B'), BM('N'), BS('B'), BW('N'), BB('B'), BD('N'), BH('N'), BV('N'), BN('N'),
     DA('D'), DC('N'), DG('D'), DT('D'), DR('D'), DY('N'), DK('D'), DM('N'), DS('N'), DW('D'), DB('N'), DD('D'), DH('N'), DV('N'), DN('N'),
     HA('H'), HC('H'), HG('N'), HT('H'), HR('N'), HY('H'), HK('N'), HM('H'), HS('N'), HW('H'), HB('N'), HD('N'), HH('H'), HV('N'), HN('N'),
     VA('V'), VC('V'), VG('V'), VT('N'), VR('V'), VY('N'), VK('N'), VM('V'), VS('V'), VW('N'), VB('N'), VD('N'), VH('N'), VV('V'), VN('N'),
     NA('N'), NC('N'), NG('N'), NT('N'), NR('N'), NY('N'), NK('N'), NM('N'), NS('N'), NW('N'), NB('N'), ND('N'), NH('N'), NV('N'), NN('N');

     char consensusChar = 'X';

     lut(char c) {
         consensusChar = c;
     }

     char getConsensusChar() {
         return consensusChar;
     }
}

char getConsensus(char a, char b) {
    return lut.valueOf("" + a + b).getConsensusChar();
}