生信编程直播课程优秀学员作业展示1 / 四六文摘

题目人类基因组外显子区域长度

学员：x2yline

具体题目详情请参考生信技能树论坛

题目数据来源为：ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/CCDS.current.txt

解题思路（比较适合R语言）如下

R语言实现

第一次完成的代码是未考虑外显子overlap情况（只去重了完全相同的外显子）写的

运行计算时间：14.74084 secs

最后运行结果：36048075

第一版代码如下：

setwd('E:\\r\\biotrainee_demo\\class1')#修改工作路径
t1 <- Sys.time()#把程序运行之前的时间赋值给t1
directory = 'CCDS.current.txt'#把文件名赋值给directory
data <- read.table(directory, sep='\t',
stringsAsFactors=F, header=T)[c(1,10)]#读取数据并提取出第一和第十列
get_gene <-function(data_item){
# 该函数用于apply执行
# 输入的数据为仅含原始数据第1列和第10列的dataframe
# 用apply函数执行后输出的数据为每个基因外显子的坐标，
# 一个基因的所有外显子以逗号分隔组成一个string，所有基因的string组成一个vector
# 用apply函数执行后，最后格式为c('111-112, 115-135, 125-138', '254-258',...)
if (!data_item[2] =='-'){
exon_ranges <- data_item[2]
exon_ranges <- substr(exon_ranges, start=2, stop=nchar(exon_ranges)-1)# 去除首尾的中括号符号
}
}
get_exon <- function(gene){
# 输入的数据为c('111-112, 115-135', '125-138', '254-258,...')
# 把i号染色体上的所有外显子后在一起，并去除完全相同的外显子
# 输出的数据为c('111-112','115-135', '125-138', '254-258', ...)
exon <- unique(strsplit(gene,", ")[[1]])
}
get_length <- function(exon){
# 输入的数据为lapply(c('111-112','115-135', '125-138', '254-258', ...),fun)
# 输出结果为左右两坐标之差+1即外显子的长度
loc <- strsplit(exon,"-")[[1]]
a <- as.numeric(loc[2])-as.numeric(loc[1]) +1 #每个外显子的碱基数目
a
}
exon_length = 0
exon_length_items = NULL
for (i in unique(data[,1])){
gene_i <- paste(apply(data[which(data[1]==i & data[2] != '-'),], 1, get_gene),collapse=', ')
exon_i <- get_exon(gene_i)
exon_i_length <- sapply(exon_i, get_length)
exon_length <- exon_length + sum(exon_i_length)
exon_length_items <- c(exon_i_length, exon_length_items)
names(exon_length_items)[1:length(exon_i_length)] <- i
}
hist(exon_length_items,xlim=c(0,500),breaks = 20000,
main='Distribution of exon length', xlab='exon length')
difftime(Sys.time(), t1, units = 'secs')# 计算执行完成后时间与t1的间隔
print(paste('all exons length is',exon_length))

第二版代码如下

setwd('E:\\r\\biotrainee_demo1')
t1 <- Sys.time()
directory = 'CCDS.current.txt'
# 读取数据并提取第1列和第10列
data <- read.table(directory, sep='\t',
stringsAsFactors=F, header=T)[c(1,10)]
get_gene <-function(data_item){
# 用apply执行该函数
# 输入的数据为仅含原始数据第1列和第10列的dataframe
# 输出的数据为c('111-112, 115-135, 125-138', '254-258',...)
if (!data_item[2] =='-'){
exon_ranges <- data_item[2]
exon_ranges <- substr(exon_ranges, start=2, stop=nchar(exon_ranges)-1)
}
}
get_exon <- function(gene){
# 输入的数据为c('111-112, 115-135, 125-138, 254-258,...')
# 输出的数据为c('111-112','115-135', '125-138', '254-258', ...)
exon <- unique(strsplit(gene,", ")[[1]])# 注：strsplit的输出结果为列表
}
get_length <- function(exon){
# 输入的数据为lapply(c('111-112','115-135', '125-138', '254-258', ...),fun)
# 输出结果为两坐标值和左右两坐标之差
loc <- strsplit(exon,"-")[[1]]
a <- c(as.numeric(loc[1]), as.numeric(loc[2])-as.numeric(loc[1]), as.numeric(loc[2]))
#if (a==0){
#print(loc)
#}
a
}
exon_length = NULL
for (i in unique(data[,1])){
# paste 函数把i号染色体的所有外显子的坐标合并为一个character对象
# gene_i的格式为'111-112, 115-135, 125-138, 254-258,...'
gene_i <- paste(apply(data[which(data[1]==i & data[2] != '-'),], 1, get_gene),collapse=', ')
# exon_i的格式为c('111-112','115-135', '125-138', '254-258', ...)
exon_i <- lapply(get_exon(gene_i), get_length)
mat <- matrix(unlist(exon_i), ncol=3, byrow = T)
#mat <- mat[order(mat[,2], decreasing = F),]
#mat <- mat[order(mat[,1], decreasing = F),]
# 使用matrix 是因为vector太长会报错
#R memory management / cannot allocate vector of size n MB
base_loc <- matrix(unique(unlist(apply(mat, 1, function(x) c(x[1]:x[3])))))
exon_length <- c(exon_length , dim(base_loc)[1] * dim(base_loc)[2])
}
# 耗时长度
difftime(Sys.time(), t1, units = 'secs')
chrs <- unique(data[,1])
barplot(exon_length,names.arg=chrs,xlab='Chromosomes',ylab='length of exons')
print(paste('all exons length is',sum(exon_length)))

python实现

jupyter编辑器太强大了，非常好用，但是没有查看当前变量的功能，所以最终还是选择spyder作为python编写平台（有shift+enter键相当于Rstudiod的ctr+r键，也有查看当前已有变量数值的功能）
关于open(file, 'rt')的解释

w,r,wt,rt都是python里面文件操作的模式。w是写模式，r是读模式。

t是windows平台特有的所谓text mode(文本模式）,区别在于会自动识别windows平台的换行符。

类Unix平台的换行符是\n，而windows平台用的是\r\n两个ASCII字符来表示换行，python内部采用的是\n来表示换行符。

rt模式下，python在读取文本时会自动把\r\n转换成\n. wt模式下，Python写文件时会用\r\n来表示换行。

python代码实现（第一次写的与老师的代码大致相同，用for循环即可，不推荐用以下的方法做）

import pandas as pd
import numpy as np
file = r'E:\r\biotrainee_demo1\CCDS.current.txt'
def calculate_exon(file):
data = pd.read_csv(file, sep='\t',\
usecols=[0,9])
#data.loc[1:10,:]
# data[0:3]
# data.iloc[1:3]
# data.iloc[3]
all_length = 0
for i in data.iloc[:,0].unique():
# get the data of chrosome i
# iloc[row_vector,col_vect]
# iloc[row_vector]
data_i = data.loc[data.iloc[:,0] == i]
type(data_i)
type(data_i.iloc[:,1])
# remove the '[]' in column2
data_j = data_i.iloc[:,1].apply(lambda x: x[1:-1])
data_p = data_j.apply(lambda x: x.split(', '))
data_g = data_p.apply(lambda x: pd.Series(x))
# 把nan填充为 0-0
data_f = np.array(data_g.fillna('0-0'))
# 去除重复的外显子
data_f = np.unique(data_f.reshape((data_f.shape[0]*data_f.shape[1], 1)))
data_f = pd.DataFrame(data_f)
data_m = data_f.apply(lambda x: \
x.apply(lambda y: (y.split('-')[0])))
data_n = data_f.apply(lambda x: \
x.apply(lambda y: (y.split('-')[-1])))
# pd.to_numeric can only apply to a 1-d array
data_mi = data_m.apply(lambda x: pd.to_numeric(x, downcast='float'))
data_ni = data_n.apply(lambda x: pd.to_numeric(x, downcast='float'))
all_length += (data_ni - data_mi).sum().sum()
return(all_length)
length = calculate_exon(file)
print(length)

运算速度有点慢，因为是临时学的pandas和numpy，很多步骤还没有优化

未去重overlap结果为：36046283

编程感悟

由于开始R是没有基础的，用通过R包swirl学习了一下lapply，apply和sapply函数的使用，对于迭代数目比较多的循环来说，R语言的for循环效率远远不如apply系列函数，应该尽量避免for循环处理，而python的for循环运算速度较快，可以使用for循环处理一下比较大的数据。

本文编辑：思考问题的熊

生信编程直播课程优秀学员作业展示1

题目 人类基因组外显子区域长度