🧬 00 · 生物数据基础与序列表示¶
生物信息学的第一课:了解数据长什么样。 本节覆盖序列(DNA/RNA/蛋白)的字母表、FASTA/FASTQ 两大格式、 Phred 质量值、GC 含量、k-mer 计数等最常用的基础操作。 全部手写实现 + 数值验证,不依赖 Biopython。
📋 本节要解决的问题¶
- DNA/RNA/蛋白序列的字母表与生物学对应关系?
- FASTA 与 FASTQ 的区别?Phred 质量值怎么换算?
- GC 含量为什么重要?怎么算?
- k-mer 是什么?在哪些地方用到?
1️⃣ 序列字母表:DNA / RNA / 蛋白质¶
| 类型 | 字母表 | 说明 |
|---|---|---|
| DNA | A C G T | 脱氧核苷酸,双链,A-T / C-G 配对 |
| RNA | A C G U | 尿嘧啶替代胸腺嘧啶 |
| 蛋白质 | 20 种氨基酸(A R N D C Q E G H I L K M F P S T W Y V) | 由三联密码子翻译 |
面试常问:为什么 DNA 用 T、RNA 用 U? → U(尿嘧啶)是 T(胸腺嘧啶)脱甲基的产物,RNA 短命单链不需要 T 的修复优势。
Copied!
# DNA 互补链(反向互补,5'->3' 惯例)
COMP = {'A': 'T', 'T': 'A', 'C': 'G', 'G': 'C', 'N': 'N'}
def revcomp(seq):
"返回反向互补序列"
return ''.join(COMP.get(b, 'N') for b in reversed(seq.upper()))
dna = 'ATCGGCAT'
print('原始序列 :', dna)
print('反向互补 :', revcomp(dna)) # ATGCCGAT
assert revcomp(dna) == 'ATGCCGAT'
# GC 含量
def gc_content(seq):
seq = seq.upper()
return (seq.count('G') + seq.count('C')) / len(seq)
p = gc_content('ATCGGC')
print('GC 含量(手算 4/6=0.667) =', round(p, 3))
assert abs(p - 4/6) < 1e-9
print('✅ 反向互补与 GC 含量正确')
# DNA 互补链(反向互补,5'->3' 惯例)
COMP = {'A': 'T', 'T': 'A', 'C': 'G', 'G': 'C', 'N': 'N'}
def revcomp(seq):
"返回反向互补序列"
return ''.join(COMP.get(b, 'N') for b in reversed(seq.upper()))
dna = 'ATCGGCAT'
print('原始序列 :', dna)
print('反向互补 :', revcomp(dna)) # ATGCCGAT
assert revcomp(dna) == 'ATGCCGAT'
# GC 含量
def gc_content(seq):
seq = seq.upper()
return (seq.count('G') + seq.count('C')) / len(seq)
p = gc_content('ATCGGC')
print('GC 含量(手算 4/6=0.667) =', round(p, 3))
assert abs(p - 4/6) < 1e-9
print('✅ 反向互补与 GC 含量正确')
原始序列 : ATCGGCAT 反向互补 : ATGCCGAT GC 含量(手算 4/6=0.667) = 0.667 ✅ 反向互补与 GC 含量正确
Copied!
def parse_fasta(text):
"解析 FASTA 文本 -> {id: 序列}"
records = {}
cur_id = None
for line in text.splitlines():
line = line.strip()
if not line:
continue
if line.startswith('>'):
cur_id = line[1:].split()[0]
records[cur_id] = ''
else:
records[cur_id] += line.upper()
return records
fasta_text = '''>seq1 human gene X
ATCGGCAT
TTGCA
>seq2 mouse gene Y
GGCCATTAA'''
recs = parse_fasta(fasta_text)
print('记录数:', len(recs))
for k, v in recs.items():
print(' ', k, '长度', len(v), '序列', v)
assert recs['seq1'] == 'ATCGGCATTTGCA'
assert recs['seq2'] == 'GGCCATTAA'
print('✅ FASTA 解析正确(跨行拼接,id 取首词)')
def parse_fasta(text):
"解析 FASTA 文本 -> {id: 序列}"
records = {}
cur_id = None
for line in text.splitlines():
line = line.strip()
if not line:
continue
if line.startswith('>'):
cur_id = line[1:].split()[0]
records[cur_id] = ''
else:
records[cur_id] += line.upper()
return records
fasta_text = '''>seq1 human gene X
ATCGGCAT
TTGCA
>seq2 mouse gene Y
GGCCATTAA'''
recs = parse_fasta(fasta_text)
print('记录数:', len(recs))
for k, v in recs.items():
print(' ', k, '长度', len(v), '序列', v)
assert recs['seq1'] == 'ATCGGCATTTGCA'
assert recs['seq2'] == 'GGCCATTAA'
print('✅ FASTA 解析正确(跨行拼接,id 取首词)')
记录数: 2 seq1 长度 13 序列 ATCGGCATTTGCA seq2 长度 9 序列 GGCCATTAA ✅ FASTA 解析正确(跨行拼接,id 取首词)
3️⃣ FASTQ 与 Phred 质量值¶
FASTQ 每条记录 4 行:@id / 序列 / + / 质量值字符串。
Phred 质量值:$Q = -10\log_{10}P$(碱基错误的概率)。
ASCII 编码:chr(Q + 33)(Sanger/Illumina 常见)。
面试:Q30 意味着什么?→ $P=10^{-30/10}=0.001$,即千分之一出错概率; Q20=1%,Q30=0.1%。
Copied!
def parse_fastq(text):
"解析 FASTQ -> [(id, seq, qual)]"
lines = text.strip().splitlines()
out = []
for i in range(0, len(lines), 4):
rid = lines[i][1:]
seq = lines[i+1]
qual = lines[i+3]
out.append((rid, seq, qual))
return out
def phred_to_prob(q):
return 10 ** (-q / 10)
def qual_to_phred_scores(qual_str):
"ASCII 质量字符串 -> Phred 分数列表(Sanger +33)"
return [ord(ch) - 33 for ch in qual_str]
fastq = '''@read1
ACGTACGT
+
IIIIIIII
@read2
TTTTAAAA
+
FFFFF'''
recs = parse_fastq(fastq)
print('记录数:', len(recs))
qs = qual_to_phred_scores(recs[0][2])
print('read1 质量分:', qs, '(I=73-33=40) → Q40')
print('Q40 的错误概率: %.5f' % phred_to_prob(40))
assert qs == [40]*8
print('✅ FASTQ 解析与 Phred 换算正确')
def parse_fastq(text):
"解析 FASTQ -> [(id, seq, qual)]"
lines = text.strip().splitlines()
out = []
for i in range(0, len(lines), 4):
rid = lines[i][1:]
seq = lines[i+1]
qual = lines[i+3]
out.append((rid, seq, qual))
return out
def phred_to_prob(q):
return 10 ** (-q / 10)
def qual_to_phred_scores(qual_str):
"ASCII 质量字符串 -> Phred 分数列表(Sanger +33)"
return [ord(ch) - 33 for ch in qual_str]
fastq = '''@read1
ACGTACGT
+
IIIIIIII
@read2
TTTTAAAA
+
FFFFF'''
recs = parse_fastq(fastq)
print('记录数:', len(recs))
qs = qual_to_phred_scores(recs[0][2])
print('read1 质量分:', qs, '(I=73-33=40) → Q40')
print('Q40 的错误概率: %.5f' % phred_to_prob(40))
assert qs == [40]*8
print('✅ FASTQ 解析与 Phred 换算正确')
记录数: 2 read1 质量分: [40, 40, 40, 40, 40, 40, 40, 40] (I=73-33=40) → Q40 Q40 的错误概率: 0.00010 ✅ FASTQ 解析与 Phred 换算正确
4️⃣ k-mer 计数(基因组与宏基因组的基石)¶
k-mer:长度为 k 的连续子串。应用:
- 基因组组装(de Bruijn 图)
- 序列比对索引(BLAST seed)
- 宏基因组物种识别(k-mer 指纹)
- 16S/全基因组距离估计(Jaccard of k-mer sets)
Copied!
from collections import Counter
def get_kmers(seq, k):
return [seq[i:i+k] for i in range(len(seq) - k + 1)]
def kmer_count(seq, k):
return Counter(get_kmers(seq, k))
seq = 'ATCGATCGA'
cnt = kmer_count(seq, 3)
print('3-mer 计数:', dict(cnt))
print('总 k-mer 数 =', len(get_kmers(seq, 3)), '(n-k+1 =', len(seq)-3+1, ')')
assert cnt['ATC'] == 2 and cnt['TCG'] == 2
assert len(get_kmers(seq, 3)) == len(seq) - 3 + 1
print('✅ k-mer 计数正确')
from collections import Counter
def get_kmers(seq, k):
return [seq[i:i+k] for i in range(len(seq) - k + 1)]
def kmer_count(seq, k):
return Counter(get_kmers(seq, k))
seq = 'ATCGATCGA'
cnt = kmer_count(seq, 3)
print('3-mer 计数:', dict(cnt))
print('总 k-mer 数 =', len(get_kmers(seq, 3)), '(n-k+1 =', len(seq)-3+1, ')')
assert cnt['ATC'] == 2 and cnt['TCG'] == 2
assert len(get_kmers(seq, 3)) == len(seq) - 3 + 1
print('✅ k-mer 计数正确')
3-mer 计数: {'ATC': 2, 'TCG': 2, 'CGA': 2, 'GAT': 1}
总 k-mer 数 = 7 (n-k+1 = 7 )
✅ k-mer 计数正确
5️⃣ 手算示例:GC 含量与质量值转换¶
① GC 含量:序列
AAGGCC(6bp,G+C = 2+2 = 4)→ GC = 4/6 = 0.667 ② Phred → 概率:Q=30 → $P=10^{-30/10}=10^{-3}$ = 0.001 ③ ASCII → Q:字符'5'的 ASCII=53 → Q = 53-33 = 20(1% 错误率)
Copied!
# 验证手算
seq = 'AAGGCC'
gc = (seq.count('G') + seq.count('C')) / len(seq)
print('GC(手算 4/6=0.667) =', round(gc, 3))
q30_p = 10 ** (-30/10)
print('Q30 概率(手算 1e-3) =', q30_p)
q_char = ord('5') - 33
print("'5' 的 Phred(手算 20) =", q_char)
assert abs(gc - 4/6) < 1e-9 and abs(q30_p - 0.001) < 1e-12 and q_char == 20
print('✅ 三步手算全部验证通过')
# 验证手算
seq = 'AAGGCC'
gc = (seq.count('G') + seq.count('C')) / len(seq)
print('GC(手算 4/6=0.667) =', round(gc, 3))
q30_p = 10 ** (-30/10)
print('Q30 概率(手算 1e-3) =', q30_p)
q_char = ord('5') - 33
print("'5' 的 Phred(手算 20) =", q_char)
assert abs(gc - 4/6) < 1e-9 and abs(q30_p - 0.001) < 1e-12 and q_char == 20
print('✅ 三步手算全部验证通过')
GC(手算 4/6=0.667) = 0.667 Q30 概率(手算 1e-3) = 0.001 '5' 的 Phred(手算 20) = 20 ✅ 三步手算全部验证通过
✅ 自测清单¶
- 能说出 DNA/RNA/蛋白字母表与互补配对
- 能手写 FASTA/FASTQ 解析(含跨行拼接)
- 能换算 Phred 质量值与错误概率(Q30=0.1%)
- 能计算 GC 含量并解释生物学意义
- 能枚举 k-mer 并说明应用场景