改进一些片段

Question

我有这个函数来模拟 DNA 序列上的突变（例如字母序列 -> 'ACGTGCTTAGG'）。

第一个只是改变输入序列的随机位置

def mutate(sequence):
    seq_lst = list(sequence)
    i = random.randint(0, len(seq_lst) - 1)
    seq_lst[i] = random.choice(list('ATCG'))
    return ''.join(seq_lst)

第二个是模拟在序列中随机位置插入碱基。

def insertion(sequence):
    seq_lst = list(sequence)
    i = random.randint(0, len(seq_lst) - 1)
    mutate = seq_lst[:i] + [random.choice(list('ATCG'))] + seq_lst[i:]
    return ''.join(mutate)]

最后一个是选择序列中可能发生的各种可能的随机突变。

def mutations(sequence):
    i = random.randint(0, 3)
    print(i)
    if i == 0:
        print('SNV')
        return mutate(sequence)
    elif i == 1:
        print('Del')
        return sequence.replace(random.choice('ATCG'), '-')
    elif i == 2:
        print('Ins')
        return insertion(sequence)
    elif i == 3:
        print('No mut')
        return sequence

打印语句只是为了检查代码是否正常工作。

有什么改进的建议吗？如果可能的话，建议如何在代码中插入突变概率来模拟更真实的情况。

我在10000随机过程的回归中看到的是，序列积累了很多缺失，一旦单点突变比较频繁，其次是插入和缺失频率较低的插入和缺失。

谢谢

Answer 1

因此在序列模拟中会出现过多的缺失，

import random
sequence = 'ACTCAG'
sequence.replace(random.choice('ATCG'), '-')

输出

A-T-AG

大约 1/4 的时间会针对给定事件同时发生两次删除。因此概率不均匀，导致删除的机会高于插入（或突变）。因此，插入或删除的可能性为 1/4，双重删除的可能性为额外的 1/4，而插入的变化为 0。

还有另外两个偏见， 您将生成回复突变 A->A，因此 1/4 突变似乎不会发生突变。这自然发生在 DNA 突变中，但值得牢记。

最后，一旦发生缺失，剩余核苷酸上的突变就会增加，本质上你会使系统倾向于越来越少的核苷酸，因此剩余的核苷酸会发生增加的突变。

换句话说，概率不是统一的，并且在模拟过程中是动态的。

您可以改为通过下面的函数使用 re.sub 来确保插入和删除之间的概率保持一致，

import random, re
def rand_replacement(string, to_be_replaced, items):
    return re.sub(to_be_replaced, lambda x: random.choice(items), string )