>有關序列的信息
ATGTTTCGCATCACCAACATTGAGTTTCTTCCCGAATACCGACAAAAGGAGTCCAGGGAA
該文件可包含一個或多個DNA序列。還有很多其他格式，但fasta是最常見的。
以下是使用Biopython以fasta格式處理DNA序列的簡單示範。序列對象將包含您可以直接使用的屬性，例如id和sequence。
文件“example.fa”是包含2個DNA序列的fasta文件。這裡使用內置的解析類別加載它們並創建序列對象，然後顯示id和sequence屬性。
from Bio import SeqIO for seq_record in SeqIO.parse('../input/example.fa', "fasta"): print(seq_record.id) print(seq_record.seq)
現在我們可以輕鬆地加載和操作生物序列數據，我們如何將它用於機器學習或深度學習？有三種一般方法。 1）將序列資訊編碼為序數向量並直接使用，2）對序列字母進行one-hot編碼並使用和3）將DNA序列作為語言（文本）處理並使用各種“語言”處理方法。
序數編碼DNA序列數據(Ordinal encoding DNA sequence data)
一種方法是將每個核苷酸字符編碼為序數值。例如，“ATGC”變為[0.25,0.5,0.75,1.0]。任何其他基礎，如“N”可以是0. Allen Chieng，Hoon Choong和Nung Kion Lee在他們的論文“Evaluation of Convolutionary Neural Networks Modeling of DNA Sequences using Ordinal versus one-hot Encoding Method”中表明，這種方法效果非常好。
讓我們首先創建一些實用程序函數，例如從序列字符串創建numpy陣列物件，以及帶有DNA序列字母“a”，“c”，“g”和“t”的標籤編碼器，還可以創建任何字元，“n”。
# function to convert a DNA sequence string to a numpy array # converts to lower case, changes any non 'acgt' characters to 'n' import numpy as np import re def string_to_array(my_string): my_string = my_string.lower() my_string = re.sub('[^acgt]', 'z', my_string) my_array = np.array(list(my_string)) return my_array # create a label encoder with 'acgtn' alphabet from sklearn.preprocessing import LabelEncoder label_encoder = LabelEncoder() label_encoder.fit(np.array(['a','c','g','t','z']))
ps. re.sub('[^acgt]', 'z', my_string)是用來匹配出非acgt的字母n變成z，[]是用來指定一個字符類別，^將匹配除 "acgt" 之外的任意字符。
參考
https://note.artchiu.org/2015/01/23/%E6%AF%94%E8%BC%83%E8%A9%B3%E7%B4%B0-python-%E6%AD%A3%E5%89%87%E8%A1%A8%E9%81%94%E5%BC%8F%E6%93%8D%E4%BD%9C%E6%8C%87%E5%8D%97-re%E4%BD%BF%E7%94%A8/
這是一個將DNA序列編碼為序數向量的函數。 它返回一個n = 0，n = 0.25，c = 0.50，g = 0.75，t = 1.00，n = 0.00的numpy陣列。
# function to encode a DNA sequence string as an ordinal vector # returns a numpy vector with a=0.25, c=0.50, g=0.75, t=1.00, n=0.00 def ordinal_encoder(my_array): integer_encoded = label_encoder.transform(my_array) float_encoded = integer_encoded.astype(float) float_encoded[float_encoded == 0] = 0.25 # A float_encoded[float_encoded == 1] = 0.50 # C float_encoded[float_encoded == 2] = 0.75 # G float_encoded[float_encoded == 3] = 1.00 # T float_encoded[float_encoded == 4] = 0.00 # anything else, z return float_encoded
所以讓我們用一個簡單的短序列來試試吧：
test_sequence = 'AACGCGCTTNN' ordinal_encoder(string_to_array(test_sequence))
One-hot encoding DNA sequence data
另一種方法是使用one-hot編碼來表示DNA序列。 這廣泛被使用在深度學習方法中，並且很適合卷積神經網絡等算法。 在這個例子中，“ATGC”將變為[0,0,0,1]，[0,0,1,0]，[0,1,0,0]，[1,0,0,0]。 並且這些單熱編碼矢量可以連接或轉換為二維陣列。 我們來試試吧。 這裡執行一個one-hot編碼的函式：
# function to one-hot encode a DNA sequence string # non 'acgt' bases (n) are 0000 # returns a L x 4 numpy array from sklearn.preprocessing import OneHotEncoder def one_hot_encoder(my_array): integer_encoded = label_encoder.transform(my_array) onehot_encoder = OneHotEncoder(sparse=False,handle_unknown='ignore') integer_encoded = integer_encoded.reshape(len(integer_encoded), 1) onehot_encoded = onehot_encoder.fit_transform(integer_encoded) onehot_encoded = np.delete(onehot_encoded, -1, 1) return onehot_encoded
ps. my_array是一個密集矩陣(dense matrix)不是稀疏矩陣(sparse matrix)，所以OneHotEncoder的引數sparse設定為False。
所以讓我們用一個簡單的短序列來試試吧：
test_sequence = 'AACGCGGTTNN' one_hot_encoder(string_to_array(test_sequence))
Treating DNA sequence as a "language", otherwise known as k-mer counting
上述方法中仍然存在一種挑戰，就是沒有一個產生均勻長度的向量，並且這是將數據饋送到分類或回歸算法的要求。因此，使用上述方法，您必須求助於截斷序列或使用“n”或“0”填充以獲得均勻長度的向量。
DNA和蛋白質序列可以被隱喻地視為生命的語言。該語言編碼指令以及分子的功能在所有生命形式中被發現。基因序列語言類比為書，子序列（基因和基因家族）是句子和章節，k-mers和肽（motifs）是單字，核苷酸鹼基和氨基酸是字母表。由於類比似乎很合適，因此在自然語言處理領域所做的出色工作也應該適用於DNA和蛋白質序列的自然語言。
這裡使用的方法簡單易行。首先採用長生物序列並將其分解為重疊“單字”的k-mer長度。例如，如果我使用長度為6（六進制）的“單字”，則“ATGCATGCA”變為：“ATGCAT”，“TGCATG”，“GCATGC”，“CATGCA”。因此，我們的範例序列被分解為4個六進制的單字。
這裡使用六進制的“單字”是任意選擇的，字長可以調整，以適應特定的情況。對於任何給定的應用，需要根據經驗確定字長和重疊量。
在基因組學中，我們將這些類型的操作稱為“k-mer計數” (k-mer counting)，或計算每個可能的k-mer序列的出現。有專門的工具，但Python自然語言處理工具使它變得簡單。
以下函數是一個可用於將任何序列（字符串）轉換為重疊的k-mer字：
def getKmers(sequence, size): return [sequence[x:x+size].lower() for x in range(len(sequence) - size + 1)]
讓我們看看它的實際效果：
mySeq = 'CATGGCCATCCCCCCCCGAGCGGGGGGGGGG' getKmers(mySeq, size=6)
它返回一個k-mer“單字”列表。 然後，您可以將“單字”加入“句子”，然後像往常一樣在“句子”上應用您喜歡的自然語言處理方法。
words = getKmers(mySeq, size=6) sentence = ' '.join(words) sentence
您可以調整單字長度和重疊量。 這允許您確定序列訊息和詞彙量大小在應用程序中的重要性。 例如，如果您使用長度為6的單字，並且有4個字母，則您的詞彙大小為4096個可能的單字。 然後，您可以繼續創建一個像NLP一樣的bag-of-words模型。
讓我們做幾個“句子”，讓它更有趣。
mySeq2 = 'GATGGCCATCCCCGCCCGAGCGGGGGGGG' mySeq3 = 'CATGGCCATCCCCGCCCGAGCGGGCGGGG' sentence2 = ' '.join(getKmers(mySeq2, size=6)) sentence3 = ' '.join(getKmers(mySeq3, size=6))
# Creating the Bag of Words model from sklearn.feature_extraction.text import CountVectorizer cv = CountVectorizer() X = cv.fit_transform([sentence, sentence2, sentence3]).toarray()
據推測，您將擁有許多可編碼的序列，並且具有較大的詞彙量。 在這個例子中，我只使用3個短序列，所以我們的詞彙表中只有幾個單字。 最後，您將擁有統一長度的數值向量，可以將其輸入到各種機器學習或深度學習算法中。 在這裡，您可以看到詞彙表中的bag-of-words返回六進制數。
X
參考
https://www.kaggle.com/thomasnelson/working-with-dna-sequence-data-for-ml
沒有留言:
張貼留言