Python 选择汉明距离为零的读数

我有一个fastq文件，比如

reads.fastq

。我有一个

7-mer

字符串列表。对于每个读入的

reads.fastq

，我想检查它是否包含列表中至少一个

7-mer

字符串。条件是，如果找到匹配项（

hamming distance==0

），则将读取的内容写入所选数组

reads

，并匹配从fastq文件读取的下一个内容。如果未找到匹配项，循环将继续，直到找到匹配项。输出数组由唯一读取组成，因为一旦找到第一个匹配项，匹配循环就会终止。我编写了以下代码，但输出数组中的读取不是唯一的，因为报告了所有汉明距离为零的匹配。请建议编辑：

def hamming(s1, s2):
    #Return the Hamming distance between equal-length sequences
    if len(s1) != len(s2):
        raise ValueError("Undefined for sequences of unequal length")

    return sum(ch1 != ch2 for ch1, ch2 in zip(s1, s2))

for x in Bio.SeqIO.parse("reads.fastq","fastq"):
        reads_array.append(x)

nmer = 7
l_chosen = ['gttattt','attattt','tgctagt']

chosen_reads = []
for x in reads_array:
    s2 = str(x.seq)
    for s in [s2[i:i+nmer] for i in range(len(s2)-nmer-1)]:
        for ds in l_chosen:    
            dist = hamming(ds,s)
            if dist == 0:
                print s2, s,ds,dist       
                chosen_reads.append(x)

---

当前代码没有从循环中中断以从

reads中读取下一个
read
。fastq

当它找到汉明距离为0的字符串时，应该使用标志来决定何时中断，并在需要中断时将该标志指定为真值-

def hamming(s1, s2):
    #Return the Hamming distance between equal-length sequences
    if len(s1) != len(s2):
        raise ValueError("Undefined for sequences of unequal length")
    return sum(ch1 != ch2 for ch1, ch2 in zip(s1, s2))

for x in Bio.SeqIO.parse("reads.fastq","fastq"):
        reads_array.append(x)

nmer = 7

l_chosen = ['gttattt','attattt','tgctagt']
chosen_reads = []

for x in reads_array:
        s2 = str(x.seq)
        breakFlag = False
        for s in [s2[i:i+nmer] for i in range(len(s2)-nmer-1)]:
                for ds in l_chosen:
                        dist = hamming(ds,s)
                        if dist == 0:
                                print s2, s,ds,dist
                                chosen_reads.append(x)
                                breakFlag = True
                                break;
                if breakFlag:
                        break;

您确定要将

x

附加到

selected\u reads

，这似乎是错误的，为了获得唯一的匹配，您可能应该将

s2

字符串和匹配的

ds

附加，对吗？如果这是您想要的，您可以像下面那样将元组附加到所选的

reads

，而不是当前的附加逻辑-

chosen_reads.append((ds, s2))

---

如果我理解你的要求，汉明距离就是试图准确地找到3个“选定”字符串中的至少一个。你正在做的迭代是缓慢的，尝试突破可能是丑陋的

我可能会建议a在这里会有所帮助。您可以自动创建匹配字符串：

import re
chosen_re = re.compile('|'.join(l_chosen))

chosen_reads = [x for x in reads_array if chosen_re.search(str(s.seq))]

---

你将很难打败regex引擎的spead

我删除了最后一个if breakFlag:break；由于这并不是反复阅读，其他建议也起了作用。我确实想将整个记录写入所选的读取以供进一步使用哦，是的，对不起，不，您不需要最后的

，如果breakFlag

，将在回答时修复。