如何按升序对我最常用的3聚体列表进行排序？

问题描述

我正在编写代码，以找出DNA序列中最常见的3聚体。我编写了一个代码，计算一个3字符的出现次数，如果该数目大于1，则该代码会记录字符串和出现次数。

这给了我一个本质上多余的清单。我想对列表进行排序，以使我在列表中只看到每个3聚体一次。

下面是编写的代码：

int main()
{
    char dna[1000];
    char read[3] = {0};
    char most_freq[3];

    printf("Enter the DNA sequence\n");
    fgets(dna,sizeof(dna),stdin);
    int i,j;
    for(i=0; i<strlen(dna)-3; i++)
    {

        read[0] = dna[i];
        read[1] = dna[i+1];
        read[2] = dna[i+2];
        int count=0,maxcount=1;
        for(j = 0; j < strlen(dna); j++)
        {
            if(dna[j] == read[0] && dna[j+1] == read[1] && dna[j+2] == read[2])
            {
                count++;
            }
            else
            {
                continue;
            }
        }
        if(count > maxcount)
        {
            maxcount = count;
            
           printf("%s %d\n",read,maxcount);
        }

    }
}

这是我输入的结果：

CGCCTAAATAGCCTCGCGGAGCCTTATGTCATACTCGTCCT

CGC 2
GCC 3
CCT 4
ATA 2
AGC 2
GCC 3
CCT 4
CTC 2
TCG 2
CGC 2
AGC 2
GCC 3
CCT 4
GTC 2
ATA 2
CTC 2
TCG 2
GTC 2
CCT 4

很明显，答案是CCT，但我不希望输出出现冗余。我该如何解决？

解决方法

在C

中，这是一种相当快捷的方法

#include <stdlib.h>
#include <string.h>
#include <stdio.h>

typedef struct {
    char n_base[4];
    int count;
} NMer_3;

typedef struct {
    int count;
    NMer_3 trimer[4 * 4 * 4];
} dict;

int cmp(const void* a,const void* b) {
    return strncmp((char*)a,(char*)b,3);
}

void insertTrimer(dict* d,char c[3]) {
    NMer_3* ptr = (NMer_3*)bsearch((void*)c,(void*)d->trimer,d->count,sizeof(NMer_3),cmp);
    if (ptr == NULL) {
        int offset = d->count;
        strncpy(d->trimer[offset].n_base,c,3);
        d->trimer[offset].count = 1;
        d->count++;
        qsort(d->trimer,cmp);
    } else {
        ptr->count++;
    }
}

int main() {
    char dna[1000];
    dict d;
    printf("Enter the DNA sequence\n");
    char* res = fgets(dna,sizeof(dna),stdin);
    if (res == NULL)
        return 1;
    char* ptr = &dna[0];
    for (int i = 0; i < strlen(dna) - 2; i++)
        insertTrimer(&d,ptr++);
    for (int i = 0; i < d.count; i++)
        printf("%s : %d\n",d.trimer[i].n_base,d.trimer[i].count);
    return 0;
}

基本上，每个3-mer是较大结构中的一个条目。较大的结构进行二进制搜索，并在每次发现新的3聚体时进行q分类。否则，如果找到重复，则其条目将递增。

这是您输入所使用的结果

AAA : 1
AAT : 1
ACT : 1
AGC : 2
ATA : 2
ATG : 1
CAT : 1
CCT : 4
CGC : 2
CGG : 1
CGT : 1
CTA : 1
CTC : 2
CTT : 1
GAG : 1
GCC : 3
GCG : 1
GGA : 1
GTC : 2
TAA : 1
TAC : 1
TAG : 1
TAT : 1
TCA : 1
TCC : 1
TCG : 2
TGT : 1
TTA : 1

如何提高速度：

使用类似水母的程序
使用哈希图。没有用于散列表/表的标准C库。基本上，您将要做的事情与我在这里所做的非常相似。内存管理可能是一个挑战。但是，您将对序列中的每个3聚体进行O（1）搜索，而不是O（log（n）），此外，加法运算将仅是O（1）而不是O（n * log（n））排序。

如果您使用C ++进行操作，则会获得很多好处，第一个是很多更简单的代码：

#include <string>
#include <iostream>
#include <map>

int main() {
    std::string dna;
    printf("Enter the DNA sequence\n");
    std::getline(std::cin,dna);
    auto d = std::map<std::string,int>{};
    for (int i = 0; i < dna.size() - 2; i++){
        auto mer3 = dna.substr(i,3);
        auto itr = d.find(mer3);
        if (itr == d.end()){
            d[mer3] = 1;
        } else {
            itr->second += 1;
        }
    }
    for (auto i : d) std::cout << i.first << ':' << i.second << '\n';
    std::cout <<std::endl;
    return 0;
}

这实际上与C示例相同。

如果将map替换为unordered_map，它将变得更快，但是不会对输出进行排序。

bioinformatics c c++