搜索字符串，以允许字符串的任何位置不匹配

Question

我正在处理长度为25的DNA序列（请参见下面的示例）。我有一个230,000的列表，需要查找整个基因组中的每个序列（弓形虫寄生虫）。我不确定基因组有多大，但是比230,000个序列长得多。

我需要查找25个字符的每个序列，例如（AGCCTCCCATGATTGAACAGATCAT）。

基因组被格式化为连续字符串，即（CATGGGAGGCTTGCGGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTTGCGGAGTGCGGAGCCTGAGCCTGAGGGCGGAGCCTGAGGTGGGAGGCTT....）

我不在乎它在哪里或被发现多少次，无论它是否存在。
我认为这很简单-

str.find(AGCCTCCCATGATTGAACAGATCAT)

但是我也要找到一个在任何位置（只有一个位置）被定义为错误（不匹配）的紧密匹配项，并在序列中记录该位置。我不确定该怎么做。我唯一想到的就是使用通配符，并在每个位置使用通配符执行搜索。即搜索25次。

例如，

AGCCTCCCATGATTGAACAGATCAT    
AGCCTCCCATGATAGAACAGATCAT

位置13不匹配的近距离比赛。

速度不是一个大问题，因为我只做3次，不过如果速度快的话会很好。

有执行此操作的程序-查找匹配项和部分匹配项-但我正在寻找一种在这些应用程序中无法发现的部分匹配项类型。

Answer 1

在继续阅读之前 ，您是否看过biopython？

似乎您要查找一个替换错误，零插入/删除错误（即汉明距离为1）的近似匹配项。

如果您具有汉明距离匹配功能（例如，参见Ignacio提供的链接），则可以像这样使用它来搜索第一个匹配项：

any(Hamming_distance(genome[x:x+25], sequence) == 1 for x in xrange(len(genome)))

但这会相当慢，因为（1）汉明距离函数会在发生第二次替换错误后继续打磨（2）在失败后会继续磨削，它会将光标前进一个，而不是根据所看到的内容向前跳过（例如，博耶-
摩尔搜索）。

您可以使用以下函数克服（1）：

def Hamming_check_0_or_1(genome, posn, sequence):
    errors = 0
    for i in xrange(25):
        if genome[posn+i] != sequence[i]:
            errors += 1
            if errors >= 2:
                return errors
    return errors

注意：故意不是Pythonic，而是Cic，因为您需要使用C（可能通过Cython）来获得合理的速度。

Navarro和Raffinot（谷歌“ Navarro Raffinotnrgrep”）已经完成了一些有关跳过比特并行近似Levenshtein搜索的工作，并且可以将其应用于汉明搜索。请注意，位并行方法对查询字符串的长度和字母大小有限制，但是您的分别为25和4，因此在那里没有问题。更新：字母大小为4时，跳过的帮助可能不多。

当您在Google上搜索汉明距离搜索时，您会发现很多有关在硬件中实现它的内容，而在软件中却没有太多。这是一个很大的暗示，也许您想出的任何算法都应使用C或其他某种编译语言来实现。

更新： 位并行方法的工作代码

我还提供了一种简化方法来帮助进行正确性检查，并且打包了Paul
re的变体以进行比较。请注意，使用re.finditer（）会产生不重叠的结果，并且这可能导致distance-1匹配遮盖完全匹配；看到我的最后一个测试案例。

位并行方法具有以下特征：保证线性行为O（N），其中N是文本长度。注意朴素的方法是O（NM），正则表达式的方法也是M（图案长度）。Boyer-
Moore型方法将是最坏的情况O（NM）和预期的O（N）。同样，当必须缓冲输入时，可以很容易地使用位并行方法：可以一次输入一个字节或一个兆字节；没有前瞻性，缓冲区边界没有问题。最大的优点是：用C编码时，每个输入字节的代码的速度很简单。

缺点：模式长度实际上限制为快速寄存器中的位数，例如32或64。在这种情况下，模式长度为25；模式长度为25。没问题。它使用的额外内存（S_table）与模式中不同字符的数量成比例。在这种情况下，“字母大小”仅为4；没问题。

本技术报告的详细信息。该算法用于使用Levenshtein距离进行近似搜索。为了转换为汉明距离，我简单地（！）删除了处理插入和删除的语句2.1。您会注意到很多引用带有“
d”上标的“ R”。“ d”是距离。我们只需要0和1。这些“ R”在下面的代码中成为R0和R1变量。

# coding: ascii

from collections import defaultdict
import re

_DEBUG = 0


# "Fast Text Searching with Errors" by Sun Wu and Udi Manber
# TR 91-11, Dept of Computer Science, University of Arizona, June 1991.
# http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.20.8854

def WM_approx_Ham1_search(pattern, text):
    """Generate (Hamming_dist, start_offset)
    for matches with distance 0 or 1"""
    m = len(pattern)
    S_table = defaultdict(int)
    for i, c in enumerate(pattern):
        S_table[c] |= 1 << i
    R0 = 0
    R1 = 0
    mask = 1 << (m - 1)
    for j, c in enumerate(text):
        S = S_table[c]
        shR0 = (R0 << 1) | 1
        R0 = shR0 & S
        R1 = ((R1 << 1) | 1) & S | shR0
        if _DEBUG:
            print "j= %2d msk=%s S=%s R0=%s R1=%s" \
                % tuple([j] + map(bitstr, [mask, S, R0, R1]))
        if R0 & mask: # exact match
            yield 0, j - m + 1
        elif R1 & mask: # match with one substitution
            yield 1, j - m + 1

if _DEBUG:

    def bitstr(num, mlen=8):
       wstr = ""
       for i in xrange(mlen):
          if num & 1:
             wstr = "1" + wstr
          else:
             wstr = "0" + wstr
          num >>= 1
       return wstr

def Ham_dist(s1, s2):
    """Calculate Hamming distance between 2 sequences."""
    assert len(s1) == len(s2)
    return sum(c1 != c2 for c1, c2 in zip(s1, s2))

def long_check(pattern, text):
    """Naively and understandably generate (Hamming_dist, start_offset)
    for matches with distance 0 or 1"""
    m = len(pattern)
    for i in xrange(len(text) - m + 1):
        d = Ham_dist(pattern, text[i:i+m])
        if d < 2:
            yield d, i

def Paul_McGuire_regex(pattern, text):
    searchSeqREStr = (
        '('
        + pattern
        + ')|('
        + ')|('.join(
            pattern[:i]
            + "[ACTGN]".replace(c,'')
            + pattern[i+1:]
            for i,c in enumerate(pattern)
            )
        + ')'
        )
    searchSeqRE = re.compile(searchSeqREStr)
    for match in searchSeqRE.finditer(text):
        locn = match.start()
        dist = int(bool(match.lastindex - 1))
        yield dist, locn


if __name__ == "__main__":

    genome1 = "TTTACGTAAACTAAACTGTAA"
    #         01234567890123456789012345
    #                   1         2

    tests = [
        (genome1, "ACGT ATGT ACTA ATCG TTTT ATTA TTTA"),
        ("T" * 10, "TTTT"),
        ("ACGTCGTAAAA", "TCGT"), # partial match can shadow an exact match
        ]

    nfailed = 0
    for genome, patterns in tests:
        print "genome:", genome
        for pattern in patterns.split():
            print pattern
            a1 = list(WM_approx_Ham1_search(pattern, genome))
            a2 = list(long_check(pattern, genome))
            a3 = list(Paul_McGuire_regex(pattern, genome))
            print a1
            print a2
            print a3
            print a1 == a2, a2 == a3
            nfailed += (a1 != a2 or a2 != a3)
    print "***", nfailed