Python 查找序列不匹配的DNA条形码

我在fastq文件中有36个nt是这样读的：

atcttgttcaatgccgatcxxxgtcgaatcaa

XXXX是不同的条形码。我想在文件中的准确位置（21到24）搜索条形码，并打印序列中最多有3个不匹配的序列而不是条形码

例如： 我有条形码：

aacg

搜索fastq文件中位置21到24之间的条形码，允许按如下顺序出现3个不匹配：

atcttgttcaatggccgatcaacggtcgacaatcac # it has 1 mismatch
ttcttgttcaatggccgatcaacggtcgacaatcac # it has 2 mismatch
tccttgttcaatggccgatcaacggtcgacaatcac # it has 3 mismatch

我试图首先使用awk查找唯一的行，并查找不匹配的行，但查找和查找它们对我来说非常繁琐

awk 'NR%4==2' 1.fq |sort|uniq -c|awk '{print $1"\t"$2}' > out1.txt

我能找到什么快捷的方法吗

谢谢。

使用Python：

import re
seq="atcttgttcaatggccgatcaacggtcgacaatcaa"
D = [ c for c in seq ]
with open("input") as f:
    for line in f:
        line=line.rstrip('\n')
        if re.match(".{20}aacg", line):
            cnt = sum([ 1 for c,d in zip(line,D) if c != d])
            if cnt < 4:
                print cnt, line

strs = "atcttgttcaatggccgatcaacggtcgacaatcaa"

with open("1.fq") as f:
    for line in f:
        if line[20:24] == "aacg":
            line = line.strip()
            mismatches = sum(x!=y for x, y  in zip(strs, line))
            if mismatches <= 3:
                print line, mismatches

atcttgttcaatggccgatcaacggtcgacaatcac 1
ttcttgttcaatggccgatcaacggtcgacaatcac 2
tccttgttcaatggccgatcaacggtcgacaatcac 3

重新导入
seq=“ATCTTGTTCAATGGCGATCAAGGTCGACAATCAA”
D=[c代表序列中的c]
打开（“输入”）作为f：
对于f中的行：
line=line.rstrip（'\n'）
如果重新匹配（“.{20}aacg”，第行）：
cnt=sum（[1表示c，如果c！=d，则zip中的d（行，d）]）
如果cnt<4：
打印cnt，行

使用Python：

import re
seq="atcttgttcaatggccgatcaacggtcgacaatcaa"
D = [ c for c in seq ]
with open("input") as f:
    for line in f:
        line=line.rstrip('\n')
        if re.match(".{20}aacg", line):
            cnt = sum([ 1 for c,d in zip(line,D) if c != d])
            if cnt < 4:
                print cnt, line

strs = "atcttgttcaatggccgatcaacggtcgacaatcaa"

with open("1.fq") as f:
    for line in f:
        if line[20:24] == "aacg":
            line = line.strip()
            mismatches = sum(x!=y for x, y  in zip(strs, line))
            if mismatches <= 3:
                print line, mismatches

atcttgttcaatggccgatcaacggtcgacaatcac 1
ttcttgttcaatggccgatcaacggtcgacaatcac 2
tccttgttcaatggccgatcaacggtcgacaatcac 3

strs=“ATCTTGTTCAATGCCGATCAAGGTCGACAATCAA”
以开放（“1.fq”）作为f：
对于f中的行：
如果行[20:24]=“aacg”：
line=line.strip（）
不匹配=总和（x！=y代表x，y在zip中（strs，行））
如果不匹配使用python正则表达式模块可以指定不匹配的数量

import regex #intended as a replacement for re
from Bio import SeqIO
import collections

d = collections.defaultdict(list)
motif = r'((atcttgttcaatggccgatc)(....)(gtcgacaatcaa)){e<4}' #e<4 = less than 4 errors
records = list(SeqIO.parse(open(infile), "fastq"))
for record in records:
    seq = str(record.seq)
    match = regex.search(motif, seq, regex.BESTMATCH)
    barcode = match.group(3)
    sequence = match.group(0)
    d[barcode].append(sequence) # store as a dictionary key = barcode, value = list of sequences
for k, v in d.items():
    print("barcode = %s" % (k))
    for i in v:
        print("sequence = %s" % (i))

import regex#用于替代re
来自Bio import SeqIO
导入集合
d=集合.defaultdict（列表）
motif=r’（（ATCTTGTTCAATGCCGATC）（…）（gtcgacaatcaa））{我很困惑。条形码与核苷酸序列有什么关系？最初我在寻找特定位置的条形码，我得到的计数非常低，序列中有1个错配，我得到的计数很高。因此，如果我给出序列中的错配，我将得到更多序列（我想尝试最多3次）所以你在扫描超市收银员用来识别物品价格的黑白条纹图案？因为我还不知道如何从条形码中提取DNA。@凯文我只是查看了一些输出1 ATCTTGTTCAATGCCGATCAAGCGACAGATCAA 2 ATCTTGTTCAATGCCAATGCCGCGCAAGATCAA，但第二个类似于序列和它在告诉我2个不匹配为什么？序列中一定有2个不匹配原始ATCTTGTTCAATGCCGATCAAGGTCGACATCAA 0 AGCTGTTCATGCGCCGACATCAA 1 AGCTTTTCATCAATGGCCATCAAGCGCGATCAA 2 ATCTTGCAATGCCGATCAAGAGATCAA 3 ATCTTGATCAAGATCCAGATCAAGATCAA这是我得到的一些行@perreal0，2，1，0，1，1，1，1是我的是的，我得到了同样的结果。我只想知道如果它找到相似的0,1不匹配序列，1,2不匹配序列，2和3不匹配序列，3@perrealatcttgttcaatgcgccgatcaaggtcgaatcaa atcttgttcaatgccaatcgactcgaatcaa atcgaatcaa 3 agctgtctctctcaatcgaatcgaatcgaatcaa 2我与输出混淆了，这里是f第一个是原始序列，数字3有1个不匹配，2有2个不匹配。我想要的是它应该打印类似的序列（比如0）和1,2,3个不匹配序列@Ashwini Chaudhary