在每个序列中查找唯一的字符串

Question

我正在尝试创建一个程序，该程序将多个 tRNA 序列存储为字典。我已经设置了我的代码来提取和存储序列以及与序列关联的特定名称：

class Unique():
    def __init__(self, seq = ''):
        for s in range(len(seq)):
            for e in range(s + 1, len(seq) + 1):
                self.add(seq[s:e])
        self.head = head
        self.sequence = seq
        self.original = {}

    def cleaner(self):
        for (header, sequence) in myReader.readFasta():
            clean = sequence.replace('-','').replace('_','')
            self.original[self.head] = clean
        return self.original

    def sites(self):
        Unique.cleaner(self)

我正在调用 sites 函数（这就是为什么它作为第一步运行得更干净），但我不知道如何编写代码以在每个存储的序列中找到唯一的字符串。

例如，如果我有 2 组序列：

1. UCGUUAGC
2. AGCGCAUU

程序会告诉我第一个序列的唯一字符串是UCG，第二个是AGC，因为UCG 只出现在第一个序列中，AGC 只出现在第二个序列中.

编辑：我所说的唯一序列是什么意思：我可以看到并自动知道它来自哪个序列的任何序列链。因此，如果链UCGA 仅存在于一个序列中，则将其计数并保存为与该序列相关的唯一链。

提取的序列如下所示：

GAGAGAGACAUAGAGGDUAUGAPGPPGG'UUGAACCAAUAGUAGGGGGUPCG"UUCCUUCCUUUCUUACCA

Answer 1

所以，如果我理解正确，你想要序列 B 中不存在的序列 A 的所有子字符串。

这可以使用set complement or difference 轻松实现。

还有I "stole" some code from another answer。

def get_all_substrings(input_string):
  length = len(input_string)
  return [input_string[i:j+1] for i in xrange(length) for j in xrange(i,length)]

# convert these to sets to remove duplicate substrings
seq1 = set(get_all_substrings('UCGUUAGC')) 
seq2 = set(get_all_substrings('AGCGCAUU'))

unique_seq1 = seq1 - seq2 # those sequences that are in seq1, and not in seq2
unique_seq2 = seq2 - seq1 # those sequences that are in seq2, and not in seq1

更新： 正如 cmets 中所指出的，我复制的 get_all_substrings 方法会消耗大字符串的内存，这个版本的性能更好，因为它会懒惰地获取下一个子字符串

def get_all_substrings(string):
    length = len(string)
    for i in xrange(length):
        for j in xrange(i + 1, length + 1):
            yield(string[i:j])