生信刷题之ROSALIND——Part 1

写在前面

ROSALIND: https://rosalind.info/problems/locations/

Rosalind是一个通过解决问题来学习生物信息学和编程的平台。使用此刷题网站的好处是在学习生物信息学的同时，能够加强编程能力，并且在实践中学习，快速进步。

在此将题目与答案记录下来，方便日后翻阅查看，如有错误还望读者批评指正。
刷题之前，需要提前安装配置好python。 笔者使用的python版本是3.9.7，版本不同，相应的代码可能会有差别，需要注意一下。

1、Counting DNA Nucleotides

Problem

碱基是组成遗传密码的基本单元，其中碱基A、G、C、T存在于DNA中，而A、G、C、U存在于RNA中。（A:腺嘌呤，G：鸟嘌呤，C：胞嘧啶，T：胸腺嘧啶，U：尿嘧啶）
DNA双螺旋结构中，位于两条方向相反、相互平行多核苷酸链上的嘌呤嘧啶碱基，围绕着螺旋轴，通过形成氢键，互相搭配成对，称为碱基配对。碱基配对，即一条长链上的A，总是与另一条长链上的T形成氢键; 而G总是与C形成氢键。即A=T、G≡C。

Given： 一条DNA链 s ，其长度不超过1000 nt。

Return： 四个整数(用空格分隔)，分别计算符号“A”、“C”、“G”和“T”在 s 中出现的次数。

Sample Dataset

AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGC

Sample Output

20 12 17 21

Code

# Counting DNA Nucleotides

def count(s):
    A_count = s.count("A")
    C_count = s.count("C")
    G_count = s.count("G")
    T_count = s.count("T")
    return A_count, C_count, G_count, T_count


example = "AGCTTTTCATTCTGACTGCAACGGGCAATATGTCTCTGTGTGGATTAAAAAAAGAGTGTCTGATAGCAGC"
A, C, G, T = count(example)
print(f"{A} {C} {G} {T}")

with open('rosalind_dna.txt', 'r') as file:
    DNA = file.read()
    # print(f"The length of this file is {len(DNA)}")
    A, C, G, T = count(DNA)
    print(f"{A} {C} {G} {T}")
    

Output

20 12 17 21
215 243 237 245

注意

• 答题时，会下载一个文件，需要基于下载的文件进行操作
• 每次下载的文件是随机的，所以答案并不固定
• 需要输入正确答案才能下载下一题的文件
  

2、Transcribing DNA into RNA

Problem

转录（Transcription）是在RNA聚合酶的催化下，遗传信息由DNA复制到RNA（尤其是mRNA）的过程。作为蛋白质生物合成的第一步，转录是合成mRNA以及非编码RNA（tRNA、rRNA等）的途径。
真核生物合成蛋白质的转录过程以特定的单链DNA片段作为模板，RNA聚合酶作为催化剂，合成前mRNA，前mRNA经进一步加工后转为成熟mRNA。
转录时，DNA分子的双链打开，在RNA聚合酶的作用下，游离的4种核糖核苷酸按照碱基互补配对原则结合到DNA单链上，并在RNA聚合酶的作用下形成单链mRNA分子。
A（腺嘌呤）一定与T（胸腺嘧啶）或者在RNA中的U（尿嘧啶）配对，G（鸟嘌呤）与C（胞嘧啶）配对。

Given： 一条DNA链 t ，其长度不超过1000 nt。

Return： 由 t 经转录得到的RNA链。

Sample Dataset

GATGGAACTTGACTACGTAAATT

Sample Output

GAUGGAACUUGACUACGUAAAUU

Code

# Transcribing DNA into RNA

def transcribing(t):
    t = t.replace("T", "U")
    return t


RNA = "GATGGAACTTGACTACGTAAATT"
print(transcribing(RNA))

with open("rosalind_rna.txt", "r") as file:
    RNA = file.read()
    print(transcribing(RNA))
    

Output

GAUGGAACUUGACUACGUAAAUU
CACCAAACAGCCUUACAGCCUCCAUAAAGAGGACAUUUCUACAAGACGCAUGCCGACCCUCGCCGUCUAGUCACCCUCCUAUCGUUCCCUGUAAGUAGUUGGCUUAAGCCACCAAUUGCAAGUGUGAUUAGAUAUUAACUCCAUAUUUCGCUGGAUGUACCCGGCAUGUGCGUCGCCACGAACCUUCUGACCCUUGGACUAUGACACUACGCCGCGCAGUAUGCCUCAAAAGUGUAUGUAUUAUAGGAUUGCUCGUGGCACAAAGCUCGUGGUACCUUAAGAUCAAGUGGCACACAAUUCAUCAUUCGAUACUUAAUCGGGAUUCUACAGCAGUGACGUUGGGAAGACAGGUUCUCAGGUGGGGAUGAAUAGAGACCUAAUGAAAACCUACCAGCUGUGUGACUCGCACAGAAUCCGUGGCGGCAACUACUAUGUAUCAACCCCUGGCAGCACAAGUCUAAUGCAUACCUUUGCCUUGUUGGGCGUCUGUAAUCGUAUGUACCGUCAGUGCCGAUUCGGUUGAACAGAGACUGGGCAUGGCUGUUAGAGUUUGUUCCCACAUAGAAGGGAACGGGGUUACUUUCGAACCAUAGAUGACCACCAGAAUGGAAAGUUCAGAUGGAUGGCCGGGAACCCUUUAUACAGCGACUCCCAUCACGCUGUCUCCUCGGGACUUGUAAGUAGUGGUGUCGCACUGAAGGUAACAAGCGGUAACUCGCUGGUCGUAGUUUACGAGUCACGAGUCGGGAAAGGCGAGUCGCCCCAAUGCGAUACGACUAAAGCGGGUGUCUGAUGAAUCUAUUCCACAGACCACUUUCACAGCCGCAAGGUGGUCCUUAUCCUCACAUAUGUAUGUGAUGGUAACGGAAGACUCGAACGGAAAUCUAAUCCCAAAAUAAACAUCAGGGCGACUAUCCAGUCGCCUAAGAGUAACUUGAUUUGUAGGGGCGAAAGGGUCCGGCCAGAUUUAAGAGUUAUACUUAUAGCU

3、Complementing a Strand of DNA

Problem

转录（Transcription）是在RNA聚合酶的催化下，遗传信息由DNA复制到RNA（尤其是mRNA）的过程。作为蛋白质生物合成的第一步，转录是合成mRNA以及非编码RNA（tRNA、rRNA等）的途径。
真核生物合成蛋白质的转录过程以特定的单链DNA片段作为模板，RNA聚合酶作为催化剂，合成前mRNA，前mRNA经进一步加工后转为成熟mRNA。
转录时，DNA分子的双链打开，在RNA聚合酶的作用下，游离的4种核糖核苷酸按照碱基互补配对原则结合到DNA单链上，并在RNA聚合酶的作用下形成单链mRNA分子。
A（腺嘌呤）一定与T（胸腺嘧啶）或者在RNA中的U（尿嘧啶）配对，G（鸟嘌呤）与C（胞嘧啶）配对。

Given： 一个长度不超过1000 bp的DNA链s。

Return： 与s互补的链sc。

Sample Dataset

AAAACCCGGT

Sample Output

ACCGGGTTTT

Code

# Complementing a Strand of DNA

def complement(s):
    s = s[::-1]
    sc = ""
    for i in s:
        if i == "A":
            sc += "T"
        elif i == "T":
            sc += "A"
        elif i == "C":
            sc += "G"
        elif i == "G":
            sc += "C"
    return sc


DNA = "AAAACCCGGT"
print(complement(DNA))

with open("rosalind_revc.txt", "r") as file:
    DNA = file.read()
    print(complement(DNA))
    

Output

ACCGGGTTTT
TTCATGATTGCGAGTCGGGCCCTGGGGACGTCCCCACCCTGGCAGCTTACTAAGGCAAAGTCGCTTGCTGAGGTTTGGGCTTTGAGATAAACGCCTCTTTGGCAGGCGCAAAAGGCCGGTGGACACCGGCTCGTTGCCCATGCCACAGGACTCAATACACGGGGTAAAGTTCGTGCGCTGATATTACGTTGTCAAGCTAACCTTAGGAAAGGTTCTAATTAAAGGGACCCGAGTGACGCGTCTAATATTTTCAACAGATATGTGTTCGGACCCACGAACAGCATTGTACATGCAAGACCTATTAATGGATATGCGTTTTGACTCAGTGACCCAGCGTATAACATATTTCGTCTTCTGCGTCATATCATAAACCAACGGACAATTCGACTGGAGTGCACTGTCTCCAACGCCCGTCATGCGGCTCAGTATCAACTGATAACACTTGGTGCTACCGGTTCGGTACGCCAGTCCAACAGAATGATGGGAACGTGCGCCAGTGGGCATTCACCACACTATTACAGGTAGAGTATGATAGATGAAAGTAAGTTGTACATGACCCTTTCTTATGTAAACCTCCTGTCCGGGCCCGGGGAATCGTGGTTGATCTCCACTTTGCGTGAAAATACGACGTATATACCTCCGTCGGGCGAAAACTCTCTCTCTACTCTAGCACACAAAAGTATGTGCGCGGGCGTACCTGGAACCCCAGACCTCCCTGTAAGAGGGGTAATTCTCCACTAAGCGCGACCTAAAGCCTCGTCATCGGGGGGTAAAGAGTATTGCTTGCTGTATACGGTCAATGAGCCACGATCCTGTGTACCATTTCGTTTCATTTCGGAAGGGGCCAGCCATGGCCATCGAAGTAGCGTAGAGCGTAGGACTATGTGGACCTCCCTCCCAACGAGTGCACGGGGGGCCCTATACTCAACTCCAA

4、Rabbits and Recurrence Relations

Problem

斐波那契数列（Fibonacci sequence），又称黄金分割数列，因数学家莱昂纳多·斐波那契（Leonardo Fibonacci）以兔子繁殖为例子而引入，故又称为“兔子数列”。
斐波那契数列指的是这样一个数列：1，1，2，3，5，8，13，21，34，55，89…
这个数列从第3项开始，每一项都等于前两项之和。

如图所示，最初只有一对未成年兔子，一个月后成年开始生育，每对兔子一次只生一对。生下来的兔子经过一个月之后成年，然后生育，循环往复~

Given： n，k为正整数，n≤40，k≤5

Return： 在n个月之后出现的兔子对的总数。
如果我们从1对开始，在每一代，每对繁殖年龄的兔子生产 k 对兔子(注意是 k 对)。
图中相当于n=1, k=1

Sample Dataset

5 3

Sample Output

19

Code

# Rabbits and Recurrence Relations
def fib_rabbits(n, k):
    rabbits = [1, 1]
    for i in range(2, n):
        current_rabbits = rabbits[i - 1] + rabbits[i - 2] * k
        rabbits.append(current_rabbits)
    return rabbits[-1]


print(fib_rabbits(5, 3))

with open("rosalind_fib.txt", "r") as file:
    text = file.read().split()
    n = int(text[0])
    k = int(text[1])
    print(fib_rabbits(n, k))

Output

19
436390025825

5、Computing GC Content

Problem

GC含量（GC-content，guanine-cytosine content）是分子生物学和遗传学的术语，指研究对象（例如放线菌）的全基因组（DNA 或 RNA 分子）或其片段中，含氮碱基鸟嘌呤（G）或胞嘧啶（C）任何一个所占的百分比。一种生物的基因组或特定DNA、RNA片段有特定的GC含量。

例如，“AGCTATAG”的GC含量为 3/8 * 100% = 37.5%。任何DNA链的互补链都具有相同的GC含量。

在生物信息学中，FASTA格式是一种用于记录核酸序列或肽序列的文本格式，其中的核酸或氨基酸均以单个字母编码呈现。该格式同时还允许在序列之前定义名称和编写注释。
FASTA格式中的一条完整序列，包含开头的单行描述行和多行序列数据。描述行行首前置半角大于号（“>”）以和数据行区分。“>”后紧接的内容为该序列的标识符，该行剩余部分则为序列的描述（标识符与描述均非必须）。“>”和标识符之间不应有空格，且建议将单行内容限制在80字符以内。序列的结束以下一条序列的“>”出现为标识。

Given： n，k为正整数，n≤40，k≤5

Return： 在n个月之后出现的兔子对的总数。
如果我们从1对开始，在每一代，每对繁殖年龄的兔子生产 k 对兔子(注意是 k 对)。
图中相当于n=1, k=1

Sample Dataset

>Rosalind_6404
CCTGCGGAAGATCGGCACTAGAATAGCCAGAACCGTTTCTCTGAGGCTTCCGGCCTTCCC
TCCCACTAATAATTCTGAGG
>Rosalind_5959
CCATCGGTAGCGCATCCTTAGTCCAATTAAGTCCCTATCCAGGCGCTCCGCCGAAGGTCT
ATATCCATTTGTCAGCAGACACGC
>Rosalind_0808
CCACCCTCGTGGTATGGCTAGGCATTCAGGAACCGGAGAACGCTTCAGACCAGCCCGGAC
TGGGAACCTGCGGGCAGTAGGTGGAAT

Sample Output

Rosalind_0808
60.919540

Code

# Computing GC Content
def read_fasta(file):
    """字典存放序列名称和序列"""
    sequences = {}
    with open(file, "r") as f:
        for line in f:
            line = line.strip()
            if line.startswith(">"):
                name = line[1:]
                sequences[name] = ""
            else:
                sequences[name] += line
    return sequences


def gc_content(sequence):
    """计算GC含量"""
    gc_count = sequence.count("G") + sequence.count("C")
    seq_len = len(sequence)
    return (gc_count / seq_len) * 100


def highest(sequences):
    """找到GC含量最高的序列"""
    highest_name = ""
    highest_gc = 0
    for name, seq in sequences.items():
        if gc_content(seq) > highest_gc:
            highest_name = name
            highest_gc = gc_content(seq)
    return highest_name, round(highest_gc, 6)


example = read_fasta("gc_content_example.txt")
name, gc = highest(example)
print(f"{name}\n{gc}")

sequences = read_fasta("rosalind_gc.txt")
name, gc = highest(sequences)
print(f"{name}\n{gc}")

Output

Rosalind_0808
60.91954
Rosalind_9578
51.348039