DNA序列中的丛集发现

Question

我正在努力理解一个用于解决DNA序列中的丛集发现的简短代码。问题是

给定整数L和t，如果有长度为L的基因组间隔，则字符串模式在(较大)字符串基因组中形成(L，t)-clump，其中模式至少出现t次。 例如，TGCA在以下基因组中形成(25,3)-clump：gatcagcataagggtcccTGCAaTGCAtgacaagccTGCAgttgttttac。 丛集发现问题 查找在字符串中形成丛集的模式。 给定:一个字符串基因组，和整数k，L，和t。 返回:基因组中所有不同的k-mers形成(L，t)-clumps .

守则如下：

from collections import defaultdict

def search(inseq, k, L, t):
    lookup = defaultdict(list)
    result = set()
    
    for cursor in range(len(inseq) - k + 1):
        seg = inseq[cursor:cursor + k]
        
        # remove prior positions of the same segment
        # if they are more than L distance far
        while lookup[seg] and cursor + k - lookup[seg][0] > L:
            lookup[seg].pop(0)
        
        lookup[seg].append(cursor)
        if len(lookup[seg]) == t:
            result.add(seg)
    
    return result

这是我的问题

(1)使用defaultdict代替dict的目的是什么？

(2)什么是外观？这是k-mer团块的起始位置吗？

Answer 1

defaultdict是一个Python，如果您请求一个不在字典中的键，它只返回一个“默认”对象。在这种情况下，默认项是一个列表。以下是defaultdict的文档

似乎lookup[seg]返回段seg的位置的列表，如果它们在被解析的部分的L距离内。因此，返回到lookup[seg]的对象是一个进入DNA序列的索引列表。

Answer 2

1)使用defaultdict的目的是什么？

defaultdict(list)允许您使用lookup[seg]访问密钥，并“神奇地”找到一个就绪列表。如果密钥(seg)已经在那里，那么您就会得到它。否则，你会得到一个空的列表。对于普通字典，第二个是错误。

(2)什么是看上去？

只要它们足够接近，就会列出序列中的位置。