Python 计算文件中某个三联体的数目（DNA密码子分析）

这个问题实际上是针对DNA密码子分析的，简单地说，假设我有这样一个文件：
atgaaaccaaag…
我想数一数这个文件中存在的“aaa”三元组的数量。重要的是，三联体从一开始就开始了（这意味着atg、aaa、cca、aag……），因此在本例中，结果应该是1而不是2‘aaa’。
是否有任何Python或Shellscript方法可以做到这一点？谢谢

文件中的首次读取

with open("some.txt") as f:
    file_data = f.read()

然后把它分成3块

codons = [file_data[i:i+3] for i in range(0,len(file_data),3)]

然后数一数

print codons.count('aaa')

像这样

>>> my_codons = 'atgaaaccaaag'
>>> codons = [my_codons[i:i+3] for i in range(0,len(my_codons),3)]
>>> codons
['atg', 'aaa', 'cca', 'aag']
>>> codons.count('aaa')
1

---

显而易见的解决方案是将字符串拆分为3个字符的片段，然后计算“aaa”的出现次数：

如果字符串真的很长，那么这个解决方案将在创建子字符串列表时不必要地占用一些内存

s = 'atgaaaccaaag'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
1
>>> s = 'aaatttaaacaaagg'
>>> sum(s[i : i + 3] == 'aaa' for i in xrange(0, len(s), 3))
2

---

这将使用生成器表达式而不是创建临时列表，因此内存效率更高。它利用了

True==1

，即

True+True==2

您可以首先使用以下方法将字符串拆分为三元组：

def split_by_size(input, length):
    return [input[i:i+length] for i in range(0, len(input), length)]

tripleList = split_by_size(input, length)

然后检查“aaa”，并将其汇总：

print sum(filter(lambda x: x == "aaa", tripleList))

---

使用一个简单的shell，假设您的fasta只包含一个序列

grep -v ">"  < input.fa |
tr -d '\n' |
sed 's/\([ATGCatgcNn]\{3,3\}\)/\1#/g' |
tr "#" "\n" |
awk '(length($1)==3)' |
sort |
uniq -c

grep-v“>”

是否可以假设文件中没有错误，即每组三个字母始终表示一个有效的集合？我猜他得到的是FASTA文件。。。它们通常被认为是有效的…相关的/可能重复的也相关的：将此移动到注释。。。您会发现BioPython非常有用：

grep -v ">"  < input.fa |
tr -d '\n' |
sed 's/\([ATGCatgcNn]\{3,3\}\)/\1#/g' |
tr "#" "\n" |
awk '(length($1)==3)' |
sort |
uniq -c