Bio每日一题Rosalind-01-Counting DNA Nucleotides

🎉 进入生物信息学的世界，与Rosalind一起探索吧！🧬
Rosalind是一个在线平台，专为学习和实践生物信息学而设计。该平台提供了一系列循序渐进的编程挑战，帮助用户从基础到高级掌握生物信息学知识。无论你是初学者还是专业人士，Rosalind都能为你提供适合的学习资源和实践机会。网址：https://rosalind.info
你是否想像专业人士一样分析DNA序列？这里有一个简单的任务来帮助你入门。
我们的第一个挑战：“计数DNA核苷酸” 📊
📝 任务说明: 给定一个DNA字符串，统计每种核苷酸（A、C、G、T）的出现次数。

示例:

解答：

方法 1：使用循环和条件语句

我们可以通过遍历序列中的每个碱基，并使用条件语句来分别统计每种碱基的数量。这种方法简单直接，但在性能上可能不如其他方法高效。

start_time = time.time()
count_A = 0
count_C = 0
count_T = 0
count_G = 0
for base in Sequence:
    if base == "A":
        count_A += 1
    elif base == "T":
        count_T += 1
    elif base == "C":
        count_C += 1
    elif base == "G":
        count_G += 1
end_time = time.time()
elapsed_time = end_time - start_time
print(f"Method1 Runtime: 0.0624 seconds")
print(f"A:{count_A} C:{count_C} T:{count_T} G:{count_G}")

方法 2：使用字典存储计数结果

通过遍历序列中的每个碱基，并使用字典来存储每种碱基的数量。这种方法的效率较高，因为字典的查找和更新操作都是常数时间复杂度。

start_time = time.time()
base_dic = {}
for base in Sequence:
    if base not in base_dic:
        base_dic[base] = 1
    else:
        base_dic[base] += 1
end_time = time.time()
elapsed_time = end_time - start_time
print(f"Method2 Runtime: 0.0624 seconds")
print(base_dic)

方法 3：使用 collections.Counter

collections.Counter 是一个专门用于计数的字典子类，提供了简单高效的计数方法。

from collections import Counter

start_time = time.time()
base_counter = Counter(Sequence)
end_time = time.time()
elapsed_time = end_time - start_time
print(f"Method3 Runtime: 0.0624 seconds")
print(base_counter)

方法 4：使用字符串的 count 方法

Python字符串的 count 方法可以直接统计子字符串在字符串中出现的次数，这是最简单也是最直观的方法之一。

start_time = time.time()
count_A = Sequence.count("A")
count_C = Sequence.count("C")
count_T = Sequence.count("T")
count_G = Sequence.count("G")
end_time = time.time()
elapsed_time = end_time - start_time
print(f"Method4 Runtime: 0.0624 seconds")
print(f"A:{count_A} C:{count_C} T:{count_T} G:{count_G}")

方法 5：使用 Biopython 库

Biopython 是一个强大的生物信息学库，提供了许多便捷的工具来处理生物序列数据。我们可以使用 Biopython 的 Seq 对象来实现碱基计数。

from Bio.Seq import Seq

sequence = Seq(Sequence)
# 计数碱基
start_time = time.time()
count_A = sequence.count("A")
count_C = sequence.count("C")
count_T = sequence.count("T")
count_G = sequence.count("G")
end_time = time.time()
elapsed_time = end_time - start_time
print(f"Method5 Runtime: 0.0624 seconds")
print(f"A:{count_A} C:{count_C} T:{count_T} G:{count_G}")

比较

使用一个2,704,800个碱基的序列来进行测试，得到结果如下：

可以看到使用Biopython是最快的，其次是字符串的count方法…

纸上得来终觉浅，绝知此事要躬行。动手练练叭!
之后会坚持更新的，也是锻炼自己的毅力和编程能力，公众号BioYFan