☰

시퀀스의 중심에서 가장 긴 패턴 확장을 찾습니다.

tag-icon • tag-icon text-processing awk bioinformatics pattern-matching
시퀀스의 중심에서 가장 긴 패턴 확장을 찾습니다.

시퀀스의 임의 위치에서 C/T의 가장 긴 연속 패턴과 중앙에서 C/T의 가장 긴 연속 패턴을 계산하는 방법

CCCCTGTTGCCAAACAATGC

TTTTCCCGCCTTGGCCTAC

TACACGGAACCTCTTTTTTTA

원하는 출력은 시퀀스의 어느 곳에서나 C/T의 가장 긴 연속 패턴과 중앙에서 시작하는 C/T의 가장 긴 연속 패턴을 계산하는 것입니다.

CCCCTGTTGCCAAACAATGC5 2

TTTTCCCGCCTTGGCCTAC7 5

TACACGGAACCTCTTTTTTTA10 10

첫 번째 행에는 5개의 연속된 C/T 패턴이 순서대로 있고 중앙에서 가장 긴 C/T 패턴은 2개입니다.

추신. 유사한 문제에 대한 해결책은 여기에 있습니다. 가장 긴 연속 패턴 계산

답변1

"중앙에서"라는 말은 "문자열의 중간 문자를 포함하는 시퀀스"를 의미한다고 가정합니다. 문자열의 중간 문자가 C도 T도 아니도록 테스트 데이터에 한 줄을 추가했습니다.

$ cat file
CCCCTGTTGCCAAACAATGC
TTTTCCCGCCTTTGGCCTAC
TACACGGAACCTCTTTTTTA
CATAAAAAAAAAAAAACTCT

솔루션은 패턴과 일치하는 match() 함수의 부산물로 설정되는 awk의 RSTART 및 RLENGTH 변수와 문자열에서 현재 위치를 추적하는 일부 알고리즘에 의존합니다.

awk '{
    line = $0
    max = max_ctr = 0
    mid = int(length($0)/2)
    idx = 1
    while (match( substr(line,idx), /[CT]+/ )) {
        if (RLENGTH > max) max = RLENGTH
        if (idx <= mid && mid <= idx+RLENGTH) max_ctr = RLENGTH
        idx += RSTART + RLENGTH - 1
    }
    print $0, max, max_ctr
}' file

산출

CCCCTGTTGCCAAACAATGC 5 2
TTTTCCCGCCTTTGGCCTAC 7 5
TACACGGAACCTCTTTTTTA 10 10
CATAAAAAAAAAAAAACTCT 4 0

답변2

"중심에서"가 "중심에 가장 가깝지만 반드시 통과할 필요는 없는 가장 긴 문자열"을 의미하는 경우 시도해 볼 수 있습니다.

awk '
        {MID = int(length()/2);
         MX = PTR = 0 
         T0 = $0
         while (match ($0, /[CcTt]+/))  {if (RLENGTH > MX) MX = RLENGTH

                                         SSTR = PTR  + RSTART
                                         SEND = SSTR + RLENGTH - 1
                                         TMPS = SSTR - MID
                                         TMPE = MID  - SEND
                                         if  (SEND < MID)                                       {P = TMPE; RES = RLENGTH}
                                         else   {if (SSTR <= MID)                               {P = 0;    RES = RLENGTH}
                                                 else if ((P > TMPS) ||
                                                          (P == TMPS) && (RLENGTH >  RES))      {P = TMPS; RES = RLENGTH}
                                                }
                                         PTR  = SEND
                                         $0 = substr ($0, RSTART + RLENGTH)
                                        }
         print T0, MX, RES
        }
' file

정규식에서 정규식이 일치하는 줄까지 반복하고 포인터를 유지하여 원래 줄의 위치를 ​​저장합니다. 이를 통해 문자열의 끝에서 중심까지 또는 중심에서 문자열의 시작까지의 문자 거리를 계산하고 최소 거리의 문자열 길이를 결과 변수에 할당합니다. 동일한 거리의 경우 가장 긴 길이를 유지합니다.

중심을 통과하는 패턴의 경우 결과는 이전에 제공된 샘플과 동일합니다.

관련 정보