题目:
编辑距离(Edit Distance)
Given: Two protein strings s and t in FASTA format (each of length at most 1000 aa).
所给:两个蛋白质序列s和t,长度都不超过1000个氨基酸。
Return: The edit distance dE(s,t).
需得:两条序列的编辑距离。
测试数据
>Rosalind_39
PLEASANTLY
>Rosalind_11
MEANLY
测试输出
5
生物学背景
在06 DNA序列Hamming距离的计算中,我们已经能计算相同长度的两个同源序列,一个序列变成另一个需要的最少点突变次数。但在现实生活中,序列间除了有点突变,还会发生插入和删除,使两条序列长度不再相同,面对这种情况,我们需要把之前的方法进行推广,使其可以计算插入和删除的情况。
数学背景
编辑距离是由俄国科学家Vladimir Levenshtein提出的,所以也叫Levenshtein距离。这是度量两个序列间相似度的指标,简单来说就是一个序列变成另一个序列所需的最少单字符编辑次数。
有关Levenshtein距离的介绍可以详见这篇博文(https://blog.csdn.net/asty9000/article/details/81384650)。简单来说,对于a、b两个字符串,a的第i个字符ai和b中的第j个字符bj有如下两个可能:1)ai和bj相同,不增加a、b两串的距离2)ai和bj不同,则a、b两串间的距离要加一,此时我们又面临两个选择:是把a1a2…a(i-1)变成b1b2…bj呢?还是把a1a2…ai变成b1b2…b(j-1)呢?这就要看哪种变法距离更小了,选择距离小的那种方法加一即可。对a、b中每个字符都做这种考虑,就形成了一个矩阵,把右下角的数字取出来就是两个字符串的Levenshtein距离了。
Python背景
Numpy是Python一个库,常用于科学计算。用Numpy中的zeros方法可以快速建立一个指定形状和类型的数组,用“0”填充。基础用法为numpy.zeros(shape,dtype=float,order = 'C')。
思路
本题的求解方法有些类似38 求解最长公共子序列中用到的动态规划算法。我在刚开始时也希望能借用最长公共子序列快速得到结果,不过未能如愿,反而越想越复杂。实际上直接用Levenshtein距离算法即可,代码也非常简单。
代码
importnumpyasnp
defreadfasta(lines):"""读入fasta格式文件的函数"""seq = []
index = []
seqplast =""numlines =0foriinlines:if'>'ini:
index.append(i.replace("\n","").replace(">",""))
seq.append(seqplast.replace("\n",""))
seqplast =""numlines +=1else:
seqplast = seqplast + i.replace("\n","")
numlines +=1ifnumlines ==len(lines):
seq.append(seqplast.replace("\n",""))
seq = seq[1:]returnindex, seqdefLevenshtein(s1, s2):"""计算Levenshtein距离的函数"""ld = np.zeros((len(s1)+1,len(s2)+1))#用zeros方法建立一个矩阵foriinrange(1,len(s1)+1):#填充第一列ld[i][0] = iforiinrange(1,len(s2)+1):#填充第一行ld[0][i] = iforiinrange(1,len(s1)+1):forjinrange(1,len(s2)+1):ifs1[i-1] == s2[j -1]:#如果两个字符相同tep =0#距离不增加else:
tep =1
#字符不同则在点突变、插入、删除中选使距离最短的ld[i][j] =min(ld[i-1][j-1] + tep, ld[i][j-1] +1, ld[i-1][j] +1)
returnld[i][j]#返回最短距离f =open('input.txt','r')
lines = f.readlines()
f.close()
[index, seq] = readfasta(lines)
seq1 = seq[0]
seq2 = seq[1]
res = []
res = Levenshtein(seq1, seq2)print(int(res))