如何拼凑DNA的短片段？序列文件中的匹配碱基对

Question

我正在尝试拼凑DNA短片段。我需要将3个碱基对与其他短片段匹配。（碱基对=例如TCG（基本上只有3个字母））

我尝试过regex表达式，但是当我尝试用一堆短的读取来读取一个文件时，我需要使核苷酸成为一个变量，我不认为regex可以做到这一点。我有一个文件有一堆这样的短读，我需要把这些碱基对匹配到其他有相同碱基对序列的短读。你知道吗

例如，我在一个文件中有两行短读：

aaagggttcccggaaaTCA

CCCGGGAAATCAGGGAATTT公司

我需要的结果是：

aaagggttcccggaaaTCAgggaatt

如何将匹配的行匹配并粘贴到其他行的顶部，以便在相似点处合并它们？你知道吗

Answer 1

您只需在第二个序列中找到匹配序列的索引并将它们串联起来：

seq1 = 'AAAGGGTTTCCCGGGAAATCA'
seq2 = 'CCCGGGAAATCAGGGAAATTT'
match_pair_count = 5
match_seq = seq1[-match_pair_count:]
match_index = seq2.rfind(match_seq)
combined_seq = seq1[:-match_pair_count] + seq2[match_index:]

注意：如果您需要捕捉匹配序列没有出现在第二个序列中的情况，则需要添加代码来处理match_index == -1。你知道吗

Answer 2

每个子序列的简单解计算5尾和5头。然后尝试所有与死神优先搜索的组合。你知道吗

一种更复杂的方法来绘制一个图形，其中有向边被标记为多个共线字母（比如4-9）。应用旅行商解或其他合适的算法来寻找所有顶点的最短路径。你知道吗

我确信有很多适合于基因组推断的工具和技术。https://www.youtube.com/watch?v=fGxx7TvQ3f4。你知道吗

为了找出两个序列之间的距离，将一个序列倒过来，找到最长的公共前缀。你知道吗

定义joinifmatch（seq1，seq2，minlen=4）： 尾部=序列2[：4] 对于范围内的i（len（seq1），4，-1） 如果seq1.startswith（seq2[n-i:]） 返回“%s%s”（seq2[：n-i]，seq1）