大量序列中核苷酸类型的快速计数
Fast counting of nucleotide types in a large number of sequences
首先,关于我的问题的一些背景知识
我是一名生物信息学家,这意味着我做信息学治疗,试图回答一个生物学问题。在我的问题中,我必须处理一个名为FASTA的文件,它看起来像这样:
>Header 1
ATGACTGATCGNTGACTGACTGTAGCTAGC
>Header 2
ATGCATGCTAGCTGACTGATCGTAGCTAGC
ATCGATCGTAGCT
因此,FASTA文件基本上只是一个标头,前面有一个">"字符,然后是一行或多行由核苷酸组成的序列。核苷酸是可以取5个可能值的字符:A、T、C、G或N。
我想做的是计算每个核苷酸类型出现的次数,所以如果我们考虑这个伪FASTA文件:
>Header 1
ATTCGN
因此,我应该:A:1 T:2 C:1 G:1 N:1
到目前为止,我得到的是:
ifstream sequence_file(input_file.c_str());
string line;
string sequence = "";
map<char, double> nucleotide_counts;
while(getline(sequence_file, line)) {
if(line[0] != '>') {
sequence += line;
}
else {
nucleotide_counts['A'] = boost::count(sequence, 'A');
nucleotide_counts['T'] = boost::count(sequence, 'T');
nucleotide_counts['C'] = boost::count(sequence, 'C');
nucleotide_counts['G'] = boost::count(sequence, 'G');
nucleotide_counts['N'] = boost::count(sequence, 'N');
sequence = "";
}
}
因此,它逐行读取文件,如果遇到一个">"作为该行的第一个字符,它就会知道序列是完整的,并开始计数。现在我面临的问题是,我有数百万个序列,总共有几十亿个核苷酸。我可以看到我的方法没有优化,因为我在同一序列上调用了boost::count
五次。
我尝试过的其他东西:
- 解析序列以增加每个核苷酸类型的计数器。我尝试使用
map<char, double>
将每个核苷酸映射到一个值,但这比增强溶液慢 - 使用算法库的
std::count
,但速度太慢
我在互联网上搜索了解决方案,但如果序列数量较低,我找到的每个解决方案都是好的,但我的情况并非如此。你有什么想法可以帮我加快速度吗?
编辑1:我也尝试过这个版本,但它比增强版慢了2倍:
ifstream sequence_file(input_file.c_str());
string line;
string sequence = "";
map<char, double> nucleotide_counts;
while(getline(sequence_file, line)) {
if(line[0] != '>') {
sequence += line;
}
else {
for(int i = 0; i < sequence.size(); i++) {
nucleotide_counts[sequence[i]]++;
}
sequence = "";
}
}
编辑2:感谢本线程中的每一个人,与boost原始解决方案相比,我的速度提高了约30倍。这是代码:
#include <map> // std::array
#include <fstream> // std::ifstream
#include <string> // std::string
void count_nucleotides(std::array<double, 26> &nucleotide_counts, std::string sequence) {
for(unsigned int i = 0; i < sequence.size(); i++) {
++nucleotide_counts[sequence[i] - 'A'];
}
}
std::ifstream sequence_file(input_file.c_str());
std::string line;
std::string sequence = "";
std::array<double, 26> nucleotide_counts;
while(getline(sequence_file, line)) {
if(line[0] != '>') {
sequence += line;
}
else {
count_nucleotides(nucleotide_counts, sequence);
sequence = "";
}
}
按重要性排序:
-
此任务的好代码将100%被I/O绑定。您的处理器计算字符的速度比磁盘将字符泵送到CPU的速度快得多。因此,我面临的第一个问题是:您的存储介质的吞吐量是多少?您理想的RAM和缓存吞吐量是多少?这些都是上限。如果你已经碰到了它们,那么进一步研究你的代码就没有多大意义了。你的助推解决方案可能已经存在了。
-
CCD_ 5查找相对昂贵。是的,它是
O(log(N))
,但你的N=5
很小,而且是恒定的,所以这个告诉你什么。对于5个值,映射将不得不为每次查找寻找大约三个指针(更不用说这对于分支预测器来说是多么不可能)。您的count
解决方案有5个映射查找和每个字符串的5次遍历,而您的手动解决方案对每个核苷酸都有一个映射查找(但字符串只有一次遍历)。严重建议:为每个计数器使用局部变量。这些几乎肯定会被放入CPU寄存器中,因此基本上是免费的。与
map
、unordered_map
、vector
等不同,您永远不会用这种方式污染缓存。
用这样的重复来代替抽象通常不是一个好主意,但在这种情况下,您将需要更多的计数器,这是非常不可思议的,因此可伸缩性不是问题。 -
考虑
std::string_view
(这将需要不同的读取文件的方法)以避免创建数据的副本。你可以将整个数据从磁盘加载到内存中,然后对每个序列进行复制。这并不是真正必要的,而且(取决于你的编译器有多聪明)可能会让你陷入困境。特别是因为你一直在字符串后面追加,直到下一个标题(这是不必要的复制——你可以在每一行之后计数)。 -
如果由于某种原因,您没有达到理论吞吐量,请考虑多线程和/或矢量化。但我无法想象这是必要的。
顺便说一句,至少在这个版本中,boost::count
是std::count
的薄包装。
不过,我认为你在这里做了正确的事情:编写好的可读代码,然后将其识别为性能瓶颈,并检查是否可以让它运行得更快(可能会让它稍微难看一点)。
如果这是您必须执行的主要任务,那么您可能对awk解决方案感兴趣。使用awk:可以很容易地解决FASTA文件的各种问题
awk '/^>/ && c { for(i in a) if (i ~ /[A-Z]/) printf i":"a[i]" "; print "" ; delete a }
/^>/ {print; c++; next}
{ for(i=1;i<=length($0);++i) a[substr($0,i,1)]++ }
END{ for(i in a) if (i ~ /[A-Z]/) printf i":"a[i]" "; print "" }' fastafile
这在你的例子中输出:
>Header 1
N:1 A:7 C:6 G:8 T:8
>Header 2
A:10 C:10 G:11 T:12
注意:我知道这不是C++,但展示实现相同目标的其他方法通常很有用。
使用awk的基准:
- 测试文件:http://hgdownload.cse.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
- 拉链尺寸:2.3G
- 记录总数:5502947
- 总行数:
脚本0:(运行时:太长)第一个提到的脚本非常慢。仅用于小文件
脚本1:(运行时间:484.31秒)这是一个优化版本,我们在其中进行目标计数:
/^>/ && f { for(i in c) printf i":"c[i]" "; print "" ; delete c }
/^>/ {print; f++; next}
{ s=$0
c["A"]+=gsub(/[aA]/,"",s)
c["C"]+=gsub(/[cC]/,"",s)
c["G"]+=gsub(/[gG]/,"",s)
c["T"]+=gsub(/[tT]/,"",s)
c["N"]+=gsub(/[nN]/,"",s)
}
END { for(i in c) printf i":"c[i]" "; print "" ; delete c }
更新2:(运行时间:416.43秒)将所有子序列合并为一个序列,只计算一个:
function count() {
c["A"]+=gsub(/[aA]/,"",s)
c["C"]+=gsub(/[cC]/,"",s)
c["G"]+=gsub(/[gG]/,"",s)
c["T"]+=gsub(/[tT]/,"",s)
c["N"]+=gsub(/[nN]/,"",s)
}
/^>/ && f { count(); for(i in c) printf i":"c[i]" "; print "" ; delete c; string=""}
/^>/ {print; f++; next}
{ string=string $0 }
END { count(); for(i in c) printf i":"c[i]" "; print "" }
更新3:(运行时间:396.12秒)优化awk如何查找其记录和字段,并一次性滥用。
function count() {
c["A"]+=gsub(/[aA]/,"",string)
c["C"]+=gsub(/[cC]/,"",string)
c["G"]+=gsub(/[gG]/,"",string)
c["T"]+=gsub(/[tT]/,"",string)
c["N"]+=gsub(/[nN]/,"",string)
}
BEGIN{RS="n>"; FS="n"}
{
print $1
string=substr($0,length($1)); count()
for(i in c) printf i":"c[i]" "; print ""
delete c; string=""
}
更新4:(运行时间:259.69秒)更新gsub
中的正则表达式搜索。这创造了一个有价值的加速:
function count() {
n=length(string);
gsub(/[aA]+/,"",string); m=length(string); c["A"]+=n-m; n=m
gsub(/[cC]+/,"",string); m=length(string); c["C"]+=n-m; n=m
gsub(/[gG]+/,"",string); m=length(string); c["G"]+=n-m; n=m
gsub(/[tT]+/,"",string); m=length(string); c["T"]+=n-m; n=m
gsub(/[nN]+/,"",string); m=length(string); c["N"]+=n-m; n=m
}
BEGIN{RS="n>"; FS="n"}
{
print ">"$1
string=substr($0,length($1)); count()
for(i in c) printf i":"c[i]" "; print ""
delete c; string=""
}
如果你想要速度并且可以使用数组,就不要使用映射。此外,std::getline
可以使用自定义分隔符(而不是n
)。
ifstream sequence_file(input_file.c_str());
string sequence = "";
std::array<int, 26> nucleotide_counts;
// For one sequence
getline(sequence_file, sequence, '>');
for(auto&& c : sequence) {
++nucleotide_counts[c-'A'];
}
// nucleotide_counts['X'-'A'] contains the count of nucleotide X in the sequence
演示
它之所以如此缓慢,是因为您一直都有间接访问或对同一字符串进行5次扫描。
您不需要映射,只需使用5个整数,然后分别递增。然后,它应该比boost::count
版本更快,因为您不需要遍历字符串5次,而且它将比map
或unordered_map
增量更快,因为不会有n个间接访问。
所以使用类似的东西
switch(char)
{
case 'A':
++a;
break;
case 'G':
++g;
break;
}
...
就像评论中建议的人一样,尝试类似的东西
enum eNucleotide {
NucleotideA = 0,
NucleotideT,
NucleotideC,
NucleotideG,
NucleotideN,
Size,
};
void countSequence(std::string line)
{
long nucleotide_counts[eNucleotide::Size] = { 0 };
if(line[0] != '>') {
for(int i = 0; i < line.size(); ++i)
{
switch (line[i])
{
case 'A':
++nucleotide_counts[NucleotideA];
break;
case 'T':
++nucleotide_counts[NucleotideT];
break;
case 'C':
++nucleotide_counts[NucleotideC];
break;
case 'G':
++nucleotide_counts[NucleotideC];
break;
case 'N':
++nucleotide_counts[NucleotideN];
break;
default :
/// error condition
break;
}
}
/// print results
std::cout << "A: " << nucleotide_counts[NucleotideA];
std::cout << "T: " << nucleotide_counts[NucleotideT];
std::cout << "C: " << nucleotide_counts[NucleotideC];
std::cout << "G: " << nucleotide_counts[NucleotideG];
std::cout << "N: " << nucleotide_counts[NucleotideN] << std::endl;
}
}
并为每一行内容调用此函数。(未测试代码。)
- ArduinoJson 6.15.2:JsonObject没有命名类型
- 防止主数据类型C++的隐式转换
- 大量序列中核苷酸类型的快速计数
- 如何从C++中的依赖类型中获得它所依赖的类型
- 有关插入适配器的错误。[错误]请求从 'back_insert_iterator<vector<>>' 类型转换为非标量类型
- 是否可以初始化不可复制类型的成员变量(或基类)
- 如何获取std::result_of函数的返回类型
- 从父命名空间重载类型
- 如果C++类在类方法中具有动态分配,但没有构造函数/析构函数或任何非静态成员,那么它仍然是POD类型吗
- 我想将一个对T类型的非常量左值引用绑定到一个T类型的临时值
- Openssl 1.1.1d无效使用不完整的类型"struct dsa_st"
- 访问者访问变体并返回不同类型时出错
- 在VS2010-VS2015下编译时,如何使用decltype作为较大类型表达式的LHS
- 处理小于cpu数据总线的数据类型.(c++转换为机器代码)
- C++ 雷神库 - 使用资源加载器类时出现问题(不命名类型)
- 模板元程序查找相似的连续类型名称
- 是否可以从int转换为enum类类型
- 构造函数正在调用一个使用当前类类型的函数
- 我应该使用什么来代替void作为变体中的替代类型之一
- 类中的字符串不命名类型