과제 3-1은 주어진 DNA 시퀀스 파일에서 낮은 복잡도 영역의 시작 위치를 찾아서 출력하고, 각 시퀀스에 소요된 시간을 측정하여 출력해줍니다. 낮은 복잡도 영역은 동일한 DNA 서브 시퀀스가 반복되는 영역입니다.
코드의 주요 부분들은 다음과 같습니다:
- removeBlank 함수: 문자열에서 공백과 개행 문자를 제거하고, 모든 문자를 대문자로 변환합니다.
- checkDnaData 함수: 문자열이 올바른 DNA 시퀀스(A, T, G, C로만 구성된 문자열)인지 확인합니다.
- find_low_complexity 함수: DNA 시퀀스에서 낮은 복잡도 영역의 시작 위치를 찾습니다. 3-1은 정규 표현식을 사용하여 낮은 복잡도 영역을 찾습니다. 3-2는 문자열 인덱싱 및 반복문을 통해 낮은 복잡도 영역을 찾습니다.
- 파일 처리: 파일의 내용을 읽어온 다음, 각 DNA 시퀀스를 처리하고 결과를 출력합니다.
코드의 실행 과정은 다음과 같습니다:
- 파일 경로를 입력 인수로 받습니다.
- 파일을 읽고, 각 DNA 시퀀스를 리스트로 분리합니다.
- 각 시퀀스에 대해 공백과 개행 문자를 제거하고, 올바른 DNA 시퀀스인지 확인합니다.
- 각 시퀀스에 대해 낮은 복잡도 영역의 시작 위치를 찾고, 소요 시간을 측정합니다.
- 각 시퀀스의 처리 결과와 소요 시간을 출력하고, 결과를 파일에 저장합니다.
결과적으로, 이 코드는 주어진 DNA 시퀀스 파일에서 낮은 복잡도 영역을 찾아서 출력하고, 각 시퀀스의 처리 시간을 측정하여 출력합니다.
* 코드에 설명이 주석으로 달려있음
3-1
import sys
import re
import time
# 문자열의 공백과 모든 개행문자(Whitespace)를 제거하고 대문자로 변환
def removeBlank(oneLine):
return re.sub("\s+","",oneLine).upper()
# ATGC 로 이루어진 문자열인지 확인
def checkDnaData(oneLine):
if re.match("^(A|T|G|C)+$", oneLine):
return
else:
print("No DNA sequence.\n" + oneLine)
exit()
# 낮은 복잡도 시작 위치 찾기 with RE
def find_low_complexity(DNA_data):
LC_positions = []
# ?P< > : capture 그룹을 생성
# [ACGT]{2,5}: ACGT로 이루어진 길이가 2이상 5이하인 sub_string
# (?P=cap){2,} : cap과 일치하는 내용이 2번 이상 연속
# => 2번 이상인 이유는 cap 생성부분에서 이미 하나가 나왔기 때문
pattern = re.compile(r"((?P<cap>[ACGT]{2,5})(?P=cap){2,})")
for match in pattern.finditer(DNA_data):
# 낮은 복잡도 영역의 시작 위치를 low_complexity_positions에 추가
LC_positions.append(match.start())
return LC_positions
# 인수로 파일 주소 받기 ==================================
file_path = sys.argv[1]
txt_list = []
# 파일 확인
try:
with open(file_path, "r") as file:
input_data = file.read()
if not input_data:
print("no DNA sequence")
exit()
elif input_data.startswith('>'):
# '>'로 시작하고 개행 문자로 끝나는 줄을 기준으로 문자열을 분리.
split_data = re.split(r">.*?\n", input_data)
if not split_data[0]:
split_data.pop(0)
for i in range(len(split_data)):
split_data[i] = removeBlank(split_data[i])
checkDnaData(split_data[i])
else:
print("No correct format\n파일의 시작은 '>'이여야 합니다.")
exit()
# 함수 최적화를 위해 한번 호출해준다.
find_low_complexity("AATGC")
combined_string = []
total_time = 0
for j in range(len(split_data)):
tm_join = "".join(split_data[j])
# 하나의 DNA시퀀스 시간 측정 시작
start_time = time.perf_counter()
# 낮은 복잡도 시작 위치 찾기 with RE
low_complex_positions = find_low_complexity(tm_join)
# 하나의 DNA시퀀스 시간 측정 종료 후 저장
required_time = (time.perf_counter() - start_time) * 1e6
total_time += required_time
if not low_complex_positions:
print(f"Time required for sequence{j+1} : {required_time:.5f} (us) , ", end = '')
low_complex_positions = 'No low-complexity region found'
print(low_complex_positions)
combined_string.append(low_complex_positions)
else:
print(f"Time required for sequence{j+1} : {required_time:.5f} (us) ")
combined_string.append("\n".join([str(i) for i in low_complex_positions]))
forFile_string = "\n\n".join(f"seq{k+1}:\n{string}" for k, string in enumerate(combined_string))
#결과 파일 저장
with open('output3-1.txt', 'w') as f:
f.write(forFile_string)
print("정상 작동, output3-1.txt에 저장 완료\n")
print(f"All time spent: {total_time:.5f} (us)\n")
except IOError:
print("파일을 읽을 수 없습니다.")
exit()3-2
import sys
import re
import time
# 문자열의 공백과 모든 개행문자(Whitespace)를 제거하고 대문자로 변환
def removeBlank(oneLine):
return re.sub("\s+","",oneLine).upper()
# ATGC 로 이루어진 문자열인지 확인
def checkDnaData(oneLine):
if re.match("^(A|T|G|C)+$", oneLine):
return
else:
print("No DNA sequence.\n" + oneLine)
exit()
# 낮은 복잡도 시작 위치 찾기 Not_RE
def find_low_complexity(sequence):
start_positions = [] # 낮은 복잡성 영역의 시작 위치를 저장할 리스트 생성
index = 0 # 서열을 순회할 인덱스 초기화
while index < len(sequence) - 1:
# 크기가 2에서 5 사이인 서열 조각에 대해 반복문을 실행
for size in range(2, 6):
segment = sequence[index:index+size] # 현재 인덱스에서부터 size만큼의 조각을 추출
repeat_count = 1 # 반복 횟수 초기화
# 현재 인덱스 다음부터 size 간격으로 조각을 비교하는 반복문 실행
for next_index in range(index + size, len(sequence), size):
if sequence[next_index:next_index+size] == segment: # 동일한 조각이 있는 경우
repeat_count += 1 # 반복 횟수 증가
else:
break # 동일한 조각이 없으면 반복문 종료
# 반복 횟수가 3 이상인 경우 낮은 복잡성 영역으로 간주하고 시작 위치를 리스트에 추가
if repeat_count >= 3:
start_positions.append(index)
index += size * repeat_count - size # 낮은 복잡성 영역 다음 위치로 인덱스 이동
break
else:
index += 1 # 낮은 복잡성 영역이 아닌 경우 인덱스를 1 증가시킴
return start_positions # 낮은 복잡성 영역의 시작 위치 리스트를 반환
# 인수로 파일 주소 받기 ==================================
file_path = sys.argv[1]
txt_list = []
# 파일 확인
try:
with open(file_path, "r") as file:
input_data = file.read()
if not input_data:
print("no DNA sequence")
exit()
elif input_data.startswith('>'):
# '>'로 시작하고 개행 문자로 끝나는 줄을 기준으로 문자열을 분리.
split_data = re.split(r">.*?\n", input_data)
if not split_data[0]:
split_data.pop(0)
for i in range(len(split_data)):
split_data[i] = removeBlank(split_data[i])
checkDnaData(split_data[i])
else:
print("No correct format\n파일의 시작은 '>'이여야 합니다.")
exit()
# 함수 최적화를 위해 한번 호출해준다.
find_low_complexity("AATGC")
combined_string = []
total_time = 0
for j in range(len(split_data)):
tm_join = "".join(split_data[j])
# 하나의 DNA시퀀스 시간 측정 시작
start_time = time.perf_counter()
# 낮은 복잡도 시작 위치 찾기 with RE
low_complex_positions = find_low_complexity(tm_join)
# 하나의 DNA시퀀스 시간 측정 종료 후 저장
required_time = (time.perf_counter() - start_time) * 1e6
total_time += required_time
if not low_complex_positions:
print(f"Time required for sequence {j+1} : {required_time:.5f} (us) , ", end = '')
low_complex_positions = 'No low-complexity region found'
print(low_complex_positions)
combined_string.append(low_complex_positions)
else:
print(f"Time required for sequence {j+1} : {required_time:.5f} (us) ")
combined_string.append("\n".join([str(i) for i in low_complex_positions]))
forFile_string = "\n\n".join(f"seq{k+1}:\n{string}" for k, string in enumerate(combined_string))
#결과 파일 저장
with open('output3-2.txt', 'w') as f:
f.write(forFile_string)
print("정상 작동, output3-2.txt에 저장 완료\n")
print(f"All time spent: {total_time:.5f} (us)\n")
except IOError:
print("파일을 읽을 수 없습니다.")
exit()
댓글