Python：建立共识序列

如何解决Python：建立共识序列

我想从 python 中的几个序列构建一个共识序列，我正在寻找最有效/最 pythonic 的方式来实现这一点。

我有一个这样的字符串列表：

sequences = ["ACTAG","-TTCG","CTTAG"]

我还有这样的字母表：

alphabet = ["A","C","G","T"]

和这样的位置频率矩阵：

[A C G T]
 1 1 0 0
 0 1 0 2
 0 0 0 3
 2 1 0 0
 0 0 3 0

如果某个字符在某个位置出现次数最多，则将该字符作为共识序列。

此外，当 2 个或更多字符在同一位置出现相同时，还有其他字符（在此示例中位置 0 => A 或 C = M，参见 IUPAC Codes）

因此，我的示例预期的共有序列是“MTTAG”。

编辑：

根据给定的字母表和位置频率矩阵获得此一致序列的最有效/最pythonic 的方法是什么？

解决方法

如果您已经有了位置频率矩阵，则可以将其作为 Pandas DataFrame 进行处理。我选择将它定位为字母是索引（注意末尾的 transpose 调用）：

freq = pd.DataFrame([[1,1,0],[0,2],3],[2,3,0]],columns=['A','C','G','T']).transpose()

给予

   0  1  2  3  4
A  1  0  0  2  0
C  1  1  0  1  0
G  0  0  0  0  3
T  0  2  3  0  0

您只想查看最常见的核苷酸：

most_common = freq[freq == freq.max(axis=0)]

给予

     0    1    2    3    4
A  1.0  NaN  NaN  2.0  NaN
C  1.0  NaN  NaN  NaN  NaN
G  NaN  NaN  NaN  NaN  3.0
T  NaN  2.0  3.0  NaN  NaN

然后创建一个函数，根据 IUPAC 代码从上述矩阵的单列中确定共识：

codes = {
    'A': 'A','C': 'C','G': 'G','T': 'T','AG': 'R','CT': 'Y','CG': 'S','AT': 'W','GT': 'K','AC': 'M','CGT': 'B','AGT': 'D','ACT': 'H','ACG': 'V','ACGT': 'N'
}
def freq_to_code(pos):
    top_nucs = pos.dropna().index
    key = ''.join(sorted(top_nucs))
    return codes[key]

将该函数应用于每一列并形成一个字符串以获得最终结果：

consensus = most_common.apply(freq_to_code,axis=0)
print(''.join(consensus))

给出 MTTAG