k-mer字符串的生成
简要介绍
在生信中，k-mer指生物序列中长度为k的子序列。\(k\)-mer包含着生物序列的两个基本特征：
1. 单体组分信息
2. 序列顺序信息
通过两个信息可以基本确定一个序列。在许多生物相关领域都有着广泛应用，如用于序列组装(构建De Bruijn图)，生物序列特征提取(机器学习的输入特征)，序列分析等领域。
同时在不属于生物相关的其他领域，如计算语言学中，它被称为n-gram。
一条长度为\(L\)的序列，有\(L-k+1\)个k-mer。比如序列: "ATGCA"有5个1-mer(A,T,G,C,A)，4个2-mer(AT,TG,GC,CA)，2个4-mer(ATGC,TGCA)。对于一个由n种单体组成的序列，理论上可能存在\(n^k\)种k-mer, 比如对于DNA序列来说可能存在\(4^4\)种不同的4-mer。对于蛋白质一级结构序列来说，可能存在\(20^3\)种不同3-mer。
计算k-mer，当前已有优化过的软件来计算k-mer。这里代码k-mer，仅供学习使用。
代码
从这里看到一份有点技巧性的的代码
from itertools import islice
seq = "ATGCGGCAA"
n = 3
def n_grams(a, n):
z = (islice(a, i, None) for i in range(n))
return zip(*z)
for i in n_grams(seq, n):
print(i)
#('A', 'T', 'G')
#('T', 'G', 'C')
#('G', 'C', 'G')
#('C', 'G', 'G')
#('G', 'G', 'C')
#('G', 'C', 'A')
#('C', 'A', 'A')
下文分解代码~
islice(iterable, start, stop[, step])
islice创建一个生成器，返回从 iterable 里选中的元素。start,stop为下标索引值，start表示从什么位置开始，stop 表示到什么位置结束，step为步伐，默认为1。
from itertools import islice
seq = "ATGCGGCAA"
k1 = islice(seq, 0, None) # 从索引0开始，返回一个生成器
for i in k1:
print(i, end=" ") # 默认是换行符，改成空格，一行输出
# A T G C G G C A A
k2 = islice(seq, 1, None) # 从索引1开始
for i in k2:
print(i, end=" ")
# T G C G G C A A
k3 = islice(seq, 2, None) # 从索引2开始，
for i in k3:
print(i, end=" ")
# G C G G C A A
z = (islice(seq, i, None) for i in range(n))
z 也是一个生成器，可生成 islice(seq, 0, None) ，islice(seq, 1, None)， islice(seq, 2, None)
zip(*z)
z = (islice(seq, i, None) for i in range(n))
z1 = zip(*z) ## *拆包，会将z迭代器拆成三个元素，每个元素是一个生成
器
### (islice(seq, 0, None) ,islice(seq, 1, None), islice(seq, 2, None) = *z
"""
kmer1 = [i for i in z1]
z2 = zip(('A', 'T', 'G', 'C', 'G', 'G', 'C', 'A', 'A'),
('T', 'G', 'C', 'G', 'G', 'C', 'A', 'A'),
('G', 'C', 'G', 'G', 'C', 'A', 'A'), )
kmer2 = [i for i in z2]
kmer1 等于kmer2。
zip 的作用是： 同时迭代zip() 里的每个可迭代对象，
并将其组合成一个新元组, 一旦其中某个对象迭代完成就停止。
如：
A T G
T G C
...
C A A
"""
for i in z1:
print(i)
#('A', 'T', 'G')
#('T', 'G', 'C')
#('G', 'C', 'G')
#('C', 'G', 'G')
#('G', 'G', 'C')
#('G', 'C', 'A')
#('C', 'A', 'A')
技巧
假如我要生成3-ker的字符串,
开始生成这样的三个字符串，利用islice的特性
ATGCGGCAA # 即从0开始
TGCGGCAA ## 去掉第1个字符，从1开始
GCGGCAA ## 去掉第2个字符， 从2开始
之后同时迭代形成新的元组，利用zip的特性
(A, T, G)
(T, G, C)
(G, C, G)
...
这样就可保持这样的取值形式（seq[i], seq[i+1], seq[i+2]）
其它
然而。。。我以为弄那花里胡哨的的，会提升代码运行速度。实际并没有。还不如下面这种形式直接点。
seq = "ATGCGGCAA"
for i in range(len(seq)-3+1):
print(seq[i:i+3])
#('A', 'T', 'G')
#('T', 'G', 'C')
#('G', 'C', 'G')
#('C', 'G', 'G')
#('G', 'G', 'C')
#('G', 'C', 'A')
#('C', 'A', 'A')
