DNA指纹¶
DNAKit 目前提供两种 DNA 指纹计算方法。每一位只有 0 或 1，可直接用于 Tanimoto/Jaccard 相似度、检索、聚类和去重。
1) Hashed k-mer 位指纹¶
- 作用： 提取序列中出现的 k-mer，并将其稳定哈希到固定长度 0/1 位向量，用于 Tanimoto/Jaccard 相似度、聚类和检索，同时避免显式
4^k特征空间过大。 - 计算方法： 将 k-mer 稳定哈希到 n_bits 个位置，并将命中的位置置 1；哈希碰撞可使不同 k-mer 共用一位。
- API：
dnakit.fingerprints.hashed_kmer_fingerprint(value[必须], k[必须], n_bits[可选], canonical[可选], seed[可选], representation[可选], ambiguity_policy[可选], overlapping[可选], cross_gaps[可选]) - 输入： DNA 序列和 k；可选 n_bits、seed 和 canonical。
- 输出： 返回
BitFingerprintResult，示例展示dimension、values。 -
常用参数： 默认
n_bits=2048、canonical=True、seed=0；representation="sparse"只保存值为1的位。 -
示例代码：
from dnakit import DNASequence
from dnakit.fingerprints import hashed_kmer_fingerprint
result = hashed_kmer_fingerprint(
DNASequence("ACGTAC"),
k=3,
n_bits=16,
seed=7,
representation="sparse",
)
print(result.dimension)
print(dict(result.values))
- 示例结果：
2) Panel 存在性指纹¶
- 作用： 把用户定义的命名模式面板转换成可解释的 0/1 位向量，每一位表示对应 motif 或识别序列是否存在，便于按已知功能模式比较和筛选序列。
- 计算方法： 按 panel 的固定顺序扫描每个命名模式，存在命中记 1，否则记 0。
- API：
dnakit.fingerprints.panel_fingerprint(value[必须], panel[必须], mode[可选], overlapping[可选], representation[可选], max_panel_size[可选], max_matches_per_pattern[可选]) - 输入： DNA 序列，以及按固定顺序提供的命名模式 panel。
- 输出： 返回
BitFingerprintResult，示例展示feature_names、dense_values。 -
模式： 默认
mode="iupac"，也可使用mode="exact"；默认扫描正反两条链。 -
示例代码：
from dnakit import DNASequence
from dnakit.fingerprints import panel_fingerprint
panel = {
"start": "ATG",
"EcoRI": "GAATTC",
"TATA_box": "TATAWAWR",
}
result = panel_fingerprint(DNASequence("ATGGAATTC"), panel)
print(result.feature_names)
print(result.dense_values())
- 示例结果：
- 解释：
EcoRI和start对应模式存在，因此相应位为1；TATA_box不存在，因此为0。