Rosalind编程问题之寻找共有的motif。
Finding a Shared Motif
Problem
A common substring of a collection of strings is a substring of every member of the collection. We say that a common substring is a longest common substring if there does not exist a longer common substring. For example, “CG” is a common substring of “ACGTACGT” and “AACCGTATA”, but it is not as long as possible; in this case, “CGTA” is a longest common substring of “ACGTACGT” and “AACCGTATA”.
Note that the longest common substring is not necessarily unique; for a simple example, “AA” and “CC” are both longest common substrings of “AACC” and “CCAA”.
Given: A collection of k (k≤100) DNA strings of length at most 1 kbp each in FASTA format.
Sample input：
Rosalind_1
GATTACA
Rosalind_2
TAGACCA
Rosalind_3
ATACA
Return: A longest common substring of the collection. (If multiple solutions exist, you may return any single solution.)
AC (此处如果输出时TA也可以)
这道问题需要我们读取十条FASTA格式的碱基序列，并且输出最长的motif（如果最长的共有motif有很多条，则输出任一最长的motif即可）。解决这项问题首先要明确处理步骤！！不然会浪费宝贵的计算资源。
我们的输入文件包括了十条DNA序列，并且是fasta格式的文件。为了避免手动输入十条序列（因为懒）我们需要首先定义两个方法：**读取fasta格式文件为文本文件；从文本文件中分离的到碱基序列。**在此之上，我们才能拿到十条DNA序列，并进行后继处理。
下面重点来了：关键问题在于最长的motif怎么找？
在十条序列中，最长的共有motif再长也不会长过最短的输入序列。因此我们要从输入文件中找到最短的fasta序列作为突破口。因此我们需要定义方法获取十条序列中的最短序列。再在最短序列中逐一缩短碱基长度，遍历最短序列，获取最短序列的子序列。将获得的一系列子序列在剩余九条序列中逐一比对。如果有一条子序列在剩余九条序列中全部match成功，那么这条子序列就是我们要的共有motif，随即结束遍历最短序列。
我们梳理一下全部流程方法：
1.下载并读取Rosalind输入文件为字符串格式。
2.提取输入文件中的碱基序列，去掉Rosalind标签。
3.获取碱基序列中的最短序列。
4.遍历最短序列的子序列。
5.将子序列与剩余序列进行比对，全部比对成功即为shared motif。
下面是代码流程：
子方法1：读取rosalind下载的文本文件
传入的字符串类型变量String fileName是文件rosalind_lcsm.txt所在的地址，例如：C:/Users/Administrator/Desktop/rosalind_lcsm.txt
//method1.读取文本文件
public static String readFileContent(String fileName) {
File file = new File(fileName);
BufferedReader reader = null;
StringBuffer sbf = new StringBuffer();
try {
reader = new BufferedReader(new FileReader(file));
String tempStr;
while ((tempStr = reader.readLine()) != null) {
sbf.append(tempStr);
}
reader.close();
return sbf.toString();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (reader != null) {
try {
reader.close();
} catch (IOException e1) {
e1.printStackTrace();
}
}
}
return sbf.toString();
}
子方法2：移除fasta格式rosalind标签行并保存为数组形式
//method2.rosalind移除fasta格式的核酸标签行，并保存为数组形式
public static String[] removeIndexRosalind(String[] arr) {
//需要删除的数的索引index
int index = 0;
//定义存储删除元素后的arr的新数组newArr
String[] newArr = new String[arr.length - 1];
//定义新数组的索引newArr
int j = 0;
//for循环将未删除的元素按原保存顺序保存到新数组
for (int i = 0; i < arr.length; i++) {
//判断数组arr中需删除的索引index与循环到的i是否相同,不同时持续赋值j++,相同时则跳过继续比较
if (index != i) {
//index不等于i持续赋值
newArr[j] = arr[i];
//newArr[]向后移动一个元素
j++;
}
}
//输出新数组newArr
return newArr;
}
经过上述两个方法处理的Rosalind输入文件，会在内存中形成一个数组newArr。其中保存了十条核酸序列。那么下面我们就需要定义方法来获取并遍历十条序列中的最短序列。
子方法3：输出核酸集合中最短的序列
输入数据是刚刚得到的数组类型文件String[] NEWDNA，里面保存了十条碱基序列。可以通过遍历数组获取某一索引下元素的字符串长度。比较十条序列的长度即可得到最短序列。
//method3.输出核酸集合中最短的序列
public static String findmin(String[] NEWDNA) {
for (String s1 : NEWDNA) {
int count = 0;
for (String s2 : NEWDNA) {
if (s1.length() <= s2.length()) {
count++;
}
if (count == NEWDNA.length) {
String seq = s1;
return seq;
}
}
}
return "None";
}
子方法4：遍历得到序列的子序列，并进行比对
运行完上一步之后，我们就可以获得子序列中的最短序列，下面我们要遍历这条最短序列并与剩余序列进行比对。因此要向方法四中传入最短序列String seq，和保存有剩余DNA序列的数组String[] DNA。
此外，我们需要定义方法判断子序列是否出现在其余的核酸序列，我们可以参考上一篇博文。在此之上稍加修改即可判断motif存在与否。
//method4.输出共有的motif并进行比对
public static String shared_motif(String seq, String[] DNA) {
//1.找到所有序列中长度最小的序列seq
for (int k = seq.length(); k > 0; k--) {
for (int i = 0; i < seq.length() - k + 1; i++) {
//2.获取最短序列的子序列
String frag = seq.substring(i, i + k);
int count = 0;
//3.在其余序列中比较上述子序列
for (String s : DNA) {
if (!findMotif(s, frag)) {
break;//一旦不匹配就终止！！此法能大量节省计算资源。
} else {
count++;
//4.如果在其余所有序列中都检索到，则返回此子序列
if (count == DNA.length) {
return frag;
}
}
}
}
}
return "无公共motif";
}
//定义一个检索motif方法，检索到则返回true，反之false
public static boolean findMotif(String DNA, String motif) {
//1.总共要比对DNA.length()-motif.length()+1次，故为循环次数
for (int i = 0; i < DNA.length() - motif.length() + 1; i++) {
//2.切割DNA，一旦切割后的序列匹配于motif则输出位置
if (DNA.substring(i, i + motif.length()).equals(motif)) {
return true;
}
}
return false;
}
main方法
最终我们将四个子方法连接在一起形成main方法（附上全部子方法）。
import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
public class Finding_a_shared_motif {
public static void main(String[] args) {
//1.读取fasta格式数据为字符串类型
String s = readFileContent("C:/Users/Administrator/Desktop/rosalind_lcsm.txt");
//2.按照数据特点切分字符串并将切割后的序列存储入数组中
String[] DNA = s.split(">Rosalind_\\d*");
String[] NEWDNA = removeIndexRosalind(DNA);
//4.遍历NEWDNA集合并输出长度最短的字符
String seq = findmin(NEWDNA);
System.out.println("最短核酸序列为：" + seq);
//5.比对公共motif
String sharedMotif = shared_motif(seq, NEWDNA);
System.out.println("公共motif为：" + sharedMotif);
}
//method4.输出共有的motif
public static String shared_motif(String seq, String[] DNA) {
//1.找到所有序列中长度最小的序列seq
for (int k = seq.length(); k > 0; k--) {
for (int i = 0; i < seq.length() - k + 1; i++) {
//2.获取最短序列的子序列
String frag = seq.substring(i, i + k);
int count = 0;
//3.在其余序列中比较上述子序列
for (String s : DNA) {
if (!findMotif(s, frag)) {
break;
} else {
count++;
//4.如果在其余所有序列中都检索到，则返回此子序列
if (count == DNA.length) {
return frag;
}
}
}
}
}
return "无公共motif";
}
//method3.输出核酸集合中最短的序列
public static String findmin(String[] NEWDNA) {
for (String s1 : NEWDNA) {
int count = 0;
for (String s2 : NEWDNA) {
if (s1.length() <= s2.length()) {
count++;
}
if (count == NEWDNA.length) {
String seq = s1;
return seq;
}
}
}
return "None";
}
//copy上一章节的findMotif方法，并改为输出布尔类型数据。
public static boolean findMotif(String DNA, String motif) {
//1.总共要比对DNA.length()-motif.length()+1次，故为循环次数
for (int i = 0; i < DNA.length() - motif.length() + 1; i++) {
//2.切割DNA，一旦切割后的序列匹配于motif则输出位置
if (DNA.substring(i, i + motif.length()).equals(motif)) {
return true;
}
}
return false;
}
//method1.读取文本文件
public static String readFileContent(String fileName) {
File file = new File(fileName);
BufferedReader reader = null;
StringBuffer sbf = new StringBuffer();
try {
reader = new BufferedReader(new FileReader(file));
String tempStr;
while ((tempStr = reader.readLine()) != null) {
sbf.append(tempStr);
}
reader.close();
return sbf.toString();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (reader != null) {
try {
reader.close();
} catch (IOException e1) {
e1.printStackTrace();
}
}
}
return sbf.toString();
}
//method2.rosalind移除fasta格式的核酸标签行，并保存为数组形式
public static String[] removeIndexRosalind(String[] arr) {
//需要删除的数的索引index
int index = 0;
//定义存储删除元素后的arr的新数组newArr
String[] newArr = new String[arr.length - 1];
//定义新数组的索引newArr
int j = 0;
//for循环将未删除的元素按原保存顺序保存到新数组
for (int i = 0; i < arr.length; i++) {
//判断数组arr中需删除的索引index与循环到的i是否相同,不同时持续赋值j++,相同时则跳过继续比较
if (index != i) {
//index不等于i持续赋值
newArr[j] = arr[i];
//newArr[]向后移动一个元素
j++;
}
}
//输出新数组newArr
return newArr;
}
}
当然，读取fasta文件也可以采用biojava。爱动手的大佬们可以自行尝试~
扫一扫
507
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
