Tipps: [Python] Stellt ein Array nach dem Zufallsprinzip wieder her und extrahiert es aus einer Fasta-Datei

Es gibt Zeiten, in denen Sie eine große Anzahl von Sequenzen zufällig abtasten möchten. Dieses Mal werde ich den Code vorstellen, der in einem solchen Fall verwendet werden soll.

Die Methode besteht einfach darin, die Datei zu öffnen, ein Array mit Zufallszahlen auszuwählen und darauf zuzugreifen.

Zugriff durch Auswahl eines Arrays mit Zufallszahlen

#Array abrufen
seqnum=random.randint(1,seqnumMAX)
name = linecache.getline(infn, seqnum*2-1) #Sequenzname
seq = linecache.getline(infn, seqnum*2)　 #Array
#Schreiben
outfdl    =   open(outfn, 'w')
outfdl.writelines(name+seq)
outfdl.close()
linecache.clearcache() #Cache leeren

Verwenden Sie zu diesem Zeitpunkt `linecache.getline (Name der Eingabedatei, Anzahl der Zeilen)` `zum Lesen. Dadurch wird das Lesen der angegebenen Zeile intern optimiert. Bioinformatik neigt dazu, große Sequenzdateien zu verarbeiten, was nützlich sein kann.

Die zufällige Wiederherstellungsextraktion kann durchgeführt werden, indem so oft eine Schleife ausgeführt wird, wie Sie diesen Prozess erfassen möchten.

Das Obige kann wie folgt als geeigneter Prozess zusammengefasst werden.

randsampleFasta.py

#!/usr/local/bin/python3
# -*- coding: utf-8 -*-

"""
Stellen Sie ein Array nach dem Zufallsprinzip wieder her und extrahieren Sie es aus einer Fasta-Datei.
"""
__author__  = "Kazuki Nakamae <[email protected]>"
__version__ = "0.00"
__date__    = "29 May 2017"

import sys
import mmap
import linecache
import random

def randsampleFasta(infn,outfn,n):
    """
Stellen Sie ein Array nach dem Zufallsprinzip wieder her und extrahieren Sie es aus einer Fasta-Datei.
    @param infn fasta Dateiname zu lesen{string} 
    @param outfn gibt den Namen der Fasta-Datei aus{string} 
    @param n Anzahl der Arrays, die wiederhergestellt und extrahiert werden sollen{int} 
    """

    infdl     =   open(infn, 'r')
    #Überprüfen Sie die Anzahl der Sequenzen in der Eingabedatei
    print('Checking how many sequences are in a FASTA format sequence file....(1/2)')
    buf = mmap.mmap(infdl.fileno(), 0, prot=mmap.PROT_READ)
    seqnumMAX= 0
    readline = buf.readline
    while readline():
        seqnumMAX += 1
    seqnumMAX = int(seqnumMAX / 2)
    infdl.close()
    print(str(seqnumMAX)+' sequences')
    #Zufällige Wiederherstellung und Extraktion von Sequenzen
    print('random sampling from a sequence with replacement....(2/2)')
    outfdl    =   open(outfn, 'w')
    random.seed(a='hoge', version=2)    #Sameneinstellung
    seqi=1
    while seqi<=n:
        seqnum=random.randint(1,seqnumMAX)
        name = linecache.getline(infn, seqnum*2-1)
        seq = linecache.getline(infn, seqnum*2)
        outfdl.writelines(name+seq)
        seqi += 1
    outfdl.close()
    linecache.clearcache() 
    print('done.')

if __name__ == '__main__':
    argvs = sys.argv  #Kommandozeilenargumente
    argc = len(argvs) #Anzahl der Argumente

    if (argc != 4):   #Argumentprüfung
        print("USAGE : python3 randsampleFasta.py <INPUT.fa> <OUTPUT.fa> <NUMBER_OF_SEQUENCES>")
        quit()

    randsampleFasta(argvs[1],argvs[2],int(argvs[3]))
quit()

Beispiel

Datei zum Eingeben

test.fa

>1
CCGTATTGGAAAGCTC
>2
AGGATTATCGGATACT
>3
ATCCGGACGGGGGGTT
>4
GACCTCGTTATCATCC
>5
AGTCAGGTTACCCGCA

Eingabe auf Bash

Eingang

python3 randsampleFasta.py test.fa out.fa 4

Ausgabe auf Bash

Standardausgabe

Checking how many sequences are in a FASTA format sequence file....(1/2)
5 sequences
random sampling from a sequence with replacement....(2/2)
done.

Ausgabedatei

out.fa

>3
ATCCGGACGGGGGGTT
>2
AGGATTATCGGATACT
>4
GACCTCGTTATCATCC
>3
ATCCGGACGGGGGGTT

Verwendung von Code

Du bist frei.