搜索字符串中最近的序列

Question

我需要在给定一个参考基因组的情况下，将重叠群转换成它们各自的蛋白质序列（即，我需要取一个子串，其位置在字符串上已经是已知的，并且我需要找到最近的起始密码子和终止密码子-一个写在代码中的特定3个字母的序列）。你知道吗

这是很棘手的，因为有时挫伤的第一个位置不是三的倍数（即挫伤的前三个核苷酸可能与密码子不完全匹配）。此外，有时重叠群可能位于基因间区域（即基因间）。目的是分离编码和非编码DNA。你知道吗

这是我目前的代码：

from Bio.Seq import Seq
from Bio.Alphabet import generic_dna, generic_protein

start_codons = ['ATG']
stop_codons = ['TAG', 'TAA', 'TGA']

string = 'GG*TAG*CCAATT*ATG*AACGAA*TAG*GAC' #remove '*', just for visual
contigs = ['CCAA', 'TGAAC', 'GAA', 'GGAC']
positions = [5, 12, 17, 22] #position indices for each contig on string

extended_contigs = []
extended_position_contigs = []
intergenic_contigs = []
intergenic_position_contigs = []
for i in contigs:
    extended_contigs.append(#some code)
    extended_positions_contigs.append(#some code)
    intergenic_contigs.append(#some code)
    intergenic_positions_contigs.append(#some code)

我应该得到extended_contigs = ['ATGAAC', 'ATGAACGAA']和extended_positions_contigs = [12, 17]。这些是位于基因内的重叠群。为了将它们编码成肽，我需要回到字符串中，直到找到起始密码子并扩展初始重叠群（例如TGAAC->；ATGAAC和GAA->；ATGAACGAA）

我还应该得到intergenic_contigs = ['CCAA', 'GGAC']和intergenic_positions_contigs = [5, 22]。当丢失的代码运行时，计算机在字符串的左边搜索，并在起始密码前找到一个终止密码（例如TAG）。因此，重叠群位于两个基因之间，不需要添加任何东西。这些基因间的重叠只是储存在一个新的名单。你知道吗

我的代码继续：

prot_contigs = []
for i in extended_contigs:
    my_dna = Seq(i, generic_dna)
    my_prot = my_dna.translate()
    prot_contigs.append(str(my_prot))

在这里，不需要添加新代码。运行以上命令后，prot_contigs = ['MN', 'MNE']。你知道吗

代码的最后一步（我需要帮助）将prot_contigs转换成new_prot_contigs = ['MN', 'E']。你知道吗

怎么做？如果对于任何重叠群（例如'TGAAC'），起始或结束是另一个密码子的一部分（不是3的完美倍数），则会保留两端的额外密码子（例如'MN'保持'MN'）。否则，如果contig（例如'GAA'）与密码子完全匹配，则添加到密码子上的任何内容都将被删除（例如'MNE'成为'E'）。你知道吗

我会尝试自己解决代码的两个部分，但我不确定如何在字符串上定位（即contig的起始点）并沿着字符串查找最近的起始/终止密码子，这样我就可以确定DNA的功能并准确地将编码contig的蛋白质排序为肽。你知道吗

任何帮助都将不胜感激！你知道吗

Answer 1

这个答案似乎以前就有人回答过

How to find a open reading frame in Python

但是你真的不需要自己去做（除非你真的想做）。有很多工具可以轻松做到这一点。浮雕套件的一个例子。你知道吗

getorf -find 3 genome.fna genome.orf

我想如果你是在Windows系统上做这件事会比较棘手，但是考虑在virtualbox环境下做。目前大多数生物信息学都是在unix系统上进行的。你知道吗