Python Levenshtein距离igonore悬垂基座

我想要一个算法报告这两个序列之间的编辑距离为2：

GCGGCTCCTCTGGGGCGTTCCC

GCGGCTCCTCTGGGGCGTTC

可以通过插入2个字符将第一个字符转换为第二个字符，如下所示：

GCGGCTCCTCTGGGGCGTTCCC

GCGGCTCCTCTGGGGCGTTC

最初的两根弦的长度是22。这两个字符串中的前22个字符现在是相同的。这两个字符串之间的levenshtein距离是4，我想为这两个字符串报告编辑距离2

我已经在使用的python包Levenshtein_distance函数或Levenshtein python包有什么方法可以做到这一点吗

更多详情：

我正在将其应用于下一代测序数据。我想比较从每个序列读取的一部分生成的2个序列。序列从全长测序读取开始获得，每次测序读取应为唯一序列

示例：
读A:ATCGAACCGGTT 读B:ATGAACCGTT

其中，字符串的前四个碱基将用作每次读取的唯一标识符。序列ATCG是读取A的唯一标识符，ATGA是读取B的唯一标识符。两次读取包含相同的序列“AACCGGTT”。当比较唯一标识符（ATCG和ATGA）时，我想要一个返回两个序列之间编辑距离为1的度量

读取唯一标识符：ATCG 插入后读取B唯一id:AT_GA

我认为字符串右侧（序列末尾）的悬垂基不应受到惩罚，但序列左侧的悬垂基应受到惩罚，原因如下：

第一个也是最重要的原因是，仅仅因为字符串的右侧（也就是序列的末尾）有悬垂字符，这并不意味着要比较的两个序列之间的字符不对齐。这只意味着我们没有其他序列中的对应字符来进行比较。对于字符串的左侧，情况并非如此

通常，字符串左侧的字符（即序列读取的开始）比右侧的字符更容易识别（具有更高的质量分数）

---

虽然编写自定义函数来计算“距离”并不困难，但您可以先尝试

edlib

。因为这是一个非常有效的工具来做这项工作

输入读取A：

ATCGAACCGGTT

输入读取B：

ATGAACCGGTTATG

校准后：

ATCGAACCGGTT---   # these tailing gap will be ignored
AT-GAACCGGTTATG   # the internal gap is meaningful

您的问题中有python标记，所以我发布了一个使用edlib python包装器的解决方案

导入edlib >>>edlib.align（“ATCGAACCGGTT”、“ATGAACCGGTTATG”，mode=“SHW”）['editDistance'] 1.

SHW

模式：查询端的间隙不受惩罚

---

这两个字符串之间的Levenshtein距离实际上是4，不清楚“编辑距离”的定义是什么。我看不到一个简单的方法来使用标准的Levenshtein函数。不过，我会尝试通过一个简单的更改来定制该函数的版本；将删除的成本设置为0而不是1。“如果没有可靠的测试，我是不会相信它的。”哈切特·戈特西亚。你提出的对删除应用0惩罚的建议很有趣。我认为它必须包括以下规则：1。在字符串的中间保持每个删除1的惩罚。2.在字符串（最大长度为2）的末端（右侧）删除内容将受到0处罚？3.这个允许删除的数量可以自定义吗？为什么右侧是特殊的而左侧不是？你不希望GTG到TCG的距离也为1吗？GTG->GTCG，其中左边的G是一个可以原谅的突出部分。我使用了Lev函数，但发现很难为删除添加0成本，而不会产生不必要的副作用。如果您的最大距离很小（如您的示例2），我认为最简单的方法是将现有的Lev函数与多个调用一起使用，这些调用将{stringA，stringA-lastchars}与{stringB，stringB-lastchars}进行比较。这将是9次比较。很多额外的处理，但应该会给出你想要的。谢谢@Chang Ye这几乎是完美的，可能适合我的目的。我只想指出，计算取决于输入的顺序<代码>>>edlib.align（“atgaacggttg”，“atcgaacccggtt”，mode=“SHW”）['editDistance']4>>edlib.align（“atcgaacggtt”，“atgaacccggttag”，mode=“SHW”）['editDistance']1更新：为了在python中使用edlib，我必须安装conda安装-c bioconda python-edlib，而不是conda安装-c bioconda-edlib。