大蛋白序列中的比对序列

Question

我有一个很大的蛋白质序列，大约有5000个，所以我把它放在一个文本文件(p_sqn.txt)中，我有以下序列

例如；SDJGSKLDJGSNMMUWEURYI

我必须找到百分比同一性评分函数，因此我必须在蛋白质序列中找到最相似的序列。(protein_sequence.txt)

Answer 1

我将从检查序列中每个点的Levenshtein distance开始。

由于长度只有5000，所以传递过程不会花费很长时间(毫秒)。

幸运的是，Apache commons-lang library提供了StringUtils.getLevenshteinDistance()实用程序方法。这样，代码就只有几行了：

import org.apache.commons.lang.StringUtils;

String protein; // the full sequence
String part; // your search string
int bestScore = Integer.MAX_VALUE;
int bestLocation = 0;
String bestSeqence = "";
for (int i = 0; i < protein.length() - part.length(); i++) {
    String sequence = protein.substring(i, part.length());
    int score = StringUtils.getLevenshteinDistance(sequence, part);
    if (score < bestScore) {
        bestScore = score;
        bestLocation = i;
        bestSeqence = sequence;
    }
}

// at this point in the code, the "best" variables will have data about the best match.

仅供参考，分数为零表示找到了完全匹配的项。

为了便于读取文件，您可以使用Apache common-io library实用程序方法FileUtils.readFileToString()，如下所示：

import org.apache.commons.io.FileUtils;

String protein = FileUtils.readFileToString(new File("/some/path/to/myproteinfile.txt"));