生物信息学算法之Python实现|Rosalind刷题笔记：013 随机DNA序列
生物信息学算法之Python实现|Rosalind刷题笔记：013 随机DNA序列
众所周知，基因组的核酸链不可能是随机形成的。有时候许多物种基因组之间，存在一些保守序列（motif），这意味着它们可能具有重要功能。但是，我们如何确定这些序列不是随机形成的 DNA 片段呢？
一个常识是：越短的序列越容易随机形成，越长的序列越难随机形成。如何对随机形成序列的概率进行量化，以及如何确定容易和不容易随机形成的序列的长度的阈值呢？这篇文章将对这个问题进行探索。
给定： 一段 DNA 序列，以及一系列假定的 GC 出现的概率。
需得： 在特定 GC 出现的概率的情况下，得到一条与给定 DNA 序列 GC 含量相同的序列的概率，并且将概率值取对数输出。
示例数据
ACGATACAA
0.129 0.287 0.423 0.476 0.641 0.742 0.783
示例结果
-5.737 -5.217 -5.263 -5.360 -5.958 -6.628 -7.009
Python 实现
本题思路参考自下述博客：
Rosalind – Introduction to Random Strings[1]
因为 DNA 有 4 种碱基，每一个位置都有 4 种可能。如果每一种碱基出现的概率都是 25%，那么一个 9bp 的序列，共有 4·4·4·4·4·4·4·4·4 = 49=262144 种可能性。但现在我们假定 GC 出现的概率是 0.129 而不是 0.5，那么 1-0.129，即 0.871 就是 A 或 T 出现的概率。在此情况下，现在计算一个分子有多大概率得到与所给序列相同的 GC 含量？
ACGATACAA
0.129 0.287 0.423 0.476 0.641 0.742 0.783
下面我们在 Python 中演示如何计算。
dna = 'ACGATACAA'
A = '0.129 0.287 0.423 0.476 0.641 0.742 0.783'
prob_gc = map(float, A.split())
由于 G、C 单独出现的概率是 GC 同时出现的概率的一半，A、T 单独出现的概率是 AT 同时出现的概率的一半；又由于每一种碱基都是独立出现的，因此一条序列出现的概率是所有碱基分别出现的概率之乘积。
总的概率值 = 第1个碱基的概率 * 第2个碱基的概率 ……*最后一个碱基的概率
用代码表示就是：
gc = 0.129
at = 1 - 0.129
prob = 1.0
for base in dna:
if base in 'GC':
prob *= gc*0.5
else:
prob *= at*0.5
由于概率值都小于 1，多个概率值相乘，结果会越来越小，不如对结果取对数，以方便表示。
print(log10(prob))
又因为对数具有如下特性：
log(x·y) = log(x) + log(y)
因此，可以修改上面的代码：
gc = 0.129
at = 1 - gc
prob = 0.0
for base in dna:
if base in 'GC':
prob += log10(gc*0.5)
else:
prob += log10(at*0.5)
上面的代码也等价于：
gc = 0.129
at = 1 - gc
gc_num = dna.count('G') + dna.count('C')
at_num = len(dna) - gc_num
prob = gc_num * log10(gc*0.5) + at_num * log10(at*0.5)
完整的代码是：
Introduction_to_Random_Strings.py
import sys
from math import log10
#dna = 'ACGATACAA'
#A = '0.129 0.287 0.423 0.476 0.641 0.742 0.783'
with open('rosalind_prob.txt') as fh:
dna, A = [l.strip() for l in fh.readlines()]
gc_prob = map(float, A.split())
gc_num = dna.count('G') + dna.count('C')
at_num = len(dna) - gc_num
B = []
for gc in gc_prob:
at = 1 - gc
p = gc_num * log10(gc*0.5) + at_num * log10(at*0.5)
B.append(p)
print(' '.join([str(round(i, 3)) for i in B]))
注意：
- 我们计算概率的序列，只是 GC 含量与给定序列相同，并没有考虑碱基顺序；
- 由结果可知：当 GC 出现概率与给定 DNA 的 GC 含量相同时，出现与给定 DNA 的 GC 含量相同的序列的概率最大。
参考资料
[1]
Rosalind – Introduction to Random Strings: https://recologia.com.br/2016/06/08/rosalind-introduction-to-random-strings/