rechercher une séquence dans un fichier non délimité par des tabulations

Question

Aujourd'hui j'ai encore rencontré un problème.

Je dispose d'un fichier qui ressemble à:

fichier A

>chr1 
ACGACTGACTGTCGATCGATCGATGCTCGATGCTCGACGATCGTGCTCGATC 
>chr2 
GTGACGCACACGTGCTAGCGCTGATCGATCGTAGCTCAGTCAG 
>chr3 
CAGTCGTCGATCGTCGATCGTCG 

et ainsi de suite (basiquement un fichier FASTA).

Dans un autre fichier je un onglet bien des informations délimités sur ma lecture:

fichier B

chr2 0 * 2S3M5I2M1D3M * CACTTTTTGTCTA NM:i:6 

Les deux fichiers sont vraiment énormes

Je veux écrire tout ce qui doit être fait, seulement la partie avec laquelle j'ai un problème:

si déposé chr2 à partir du fichier B correspond à la ligne> chr2 dans le fichier A, cherchez CACTTTTTGTCTA (fichierB) dans la séquence du fichier A (seulement en séquence dans la région> chr2. Suivant> chr est un chromosome différent donc je ne veux pas y chercher).

Pour simplifier Cherchons: séquence CACACGTGCTAG dans le fichier A

je tentais en utilisant le dictionnaire pour le fichier A, mais il est complètement impossible.

Des suggestions?

Answer 1

Quelque chose comme:

for req in fileb: 
    (tag, pattern) = parseB(req) 
    tag_matched = False 
    filea = open(file_a_name) 
    for line in filea: 
     if line.startswith('>'): 
      tag_matched = line[1:].startswith(tag) 
     elif tag_matched and (line.find(pattern) > -1) 
      do_whatever() 
    filea.close 

devrait faire le travail si vous pouvez écrire une fonction parseB.

Answer 2

Les recherches de dictionnaires sont rapides, il semble donc que la partie qui prend beaucoup de temps doit être recherchée dans la séquence. string.contains() est implémenté en C, donc c'est plutôt efficace. Si ce n'est pas assez rapide, vous devrez probablement utiliser un algorithme plus spécialisé pour l'efficacité, comme discuté ici: Python efficient way to check if very large string contains a substring