Rosalind Java|Open Reading Frames

Rosalind编程问题之读取开放阅读框。

Open Reading Frames

Problem
Either strand of a DNA double helix can serve as the coding strand for RNA transcription. Hence, a given DNA string implies six total reading frames, or ways in which the same region of DNA can be translated into amino acids: three reading frames result from reading the string itself, whereas three more result from reading its reverse complement.

An open reading frame (ORF) is one which starts from the start codon and ends by stop codon, without any other stop codons in between. Thus, a candidate protein string is derived by translating an open reading frame into amino acids until a stop codon is reached.

Given: A DNA string s of length at most 1 kbp in FASTA format.
Sample input：

Rosalind_99
AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG

Return: Every distinct candidate protein string that can be translated from ORFs of s. Strings can be returned in any order.
Sample output：

MLLGSFRLIPKETLIQVAGSSPCNLS
M
MGMTPRLGLESLLE
MTPRLGLESLLE

在处理生物学数据的时候，我们经常要对于碱基序列的开放阅读框（ORF）进行获取，以预测其功能和基因结构，甚至是单倍型。一段开放阅读框由起始密码子ATG开始，终止于终止密码子TGA,TAA,TAG。期间的序列就是我们所要获取的开放阅读框。

特别要注意的是DNA以双链的形式存在，因此两条链（正义链和反义链）都可能成为编码链，在这里需要分类讨论其ORF。

思路如下：
1. 输入核酸序列，并同时获得其反向互补序列。
有关反向互补序列问题可以参考这一篇文章：Rosalind Java| Complementing a Strand of DNA。
2. 遍历序列，检索起始密码子和终止密码子。获取其间序列作为备选的ORF。
3. 翻译备选ORF为蛋白质
有关翻译蛋白的问题可以参考这一篇文章：Rosalind Java| Translating RNA into Protein。

下面是代码部分：

子方法1：反向互补序列

详情可以review之前的博客，这里直接给代码。

//反向互补序列public static String CompleDNA(String s) {//新建StringBuilder类数据以存储替换后的碱基StringBuilder arr = new StringBuilder();for (int i = 0; i < s.length(); i++) {switch (s.charAt(i)) {//括号中的输出类型为char类型，匹配后面的字符时需要将字符加单引号可匹配。case 'A':case 'a':arr.append('T');break;case 'C':case 'c':arr.append('G');break;case 'G':case 'g':arr.append('C');break;case 'T':case 't':arr.append('A');break;default:System.out.println("第" + (i + 1) + "位不是ACTG");break;}}String str = arr.toString();return str;}public static String reverse(String s) {String ss = "";for (int i = s.length() - 1; i >= 0; i--) {ss += s.charAt(i);}return ss;}

子方法2：RNA翻译为蛋白

同样直接给出代码。

    //翻译RNA to Propublic static String RNA2protein(String line) {StringBuilder arr = new StringBuilder();//2.遍历核酸序列并且每三个字符串为一组提取核苷酸for (int i = 0; i < line.length(); i += 3) {String pro = line.substring(i, i + 3);//两个参数，第一个是待提取文本的起始提取位置，第二个是终止提取位置，区间内左闭右开。switch (pro) {case "AUA":case "AUC":case "AUU":arr.append("I");break;case "AUG":arr.append("M");break;case "ACA":case "ACC":case "ACG":case "ACU":arr.append("T");break;case "AAC":case "AAU":arr.append("N");break;case "AAA":case "AAG":arr.append("K");break;case "AGC":case "AGU":arr.append("S");break;case "AGA":case "AGG":arr.append("R");break;case "CUA":case "CUC":case "CUG":case "CUU":arr.append("L");break;case "CCA":case "CCC":case "CCG":case "CCU":arr.append("P");break;case "CAC":case "CAU":arr.append("H");break;case "CAA":case "CAG":arr.append("Q");break;case "CGA":case "CGC":case "CGG":case "CGU":arr.append("R");break;case "GUA":case "GUC":case "GUG":case "GUU":arr.append("V");break;case "GCA":case "GCC":case "GCG":case "GCU":arr.append("A");break;case "GAC":case "GAU":arr.append("D");break;case "GAA":case "GAG":arr.append("E");break;case "GGA":case "GGC":case "GGG":case "GGU":arr.append("G");break;case "UCA":case "UCC":case "UCG":case "UCU":arr.append("S");break;case "UUC":case "UUU":arr.append("F");break;case "UUA":case "UUG":arr.append("L");break;case "UAC":case "UAU":arr.append("Y");break;case "UGC":case "UGU":arr.append("C");break;case "UAA":case "UAG":case "UGA":break;case "UGG":arr.append("W");break;default:break;}}String str = arr.toString();return str;}

main方法：遍历并获得开放阅读框

略讲一下遍历并获取ORF的思路：
1.首先设置i以遍历碱基序列，以3个密码子为单位，1个密码子为步长检索“ATG”。

2.如果检索到起始密码子，那么以3个密码子为单位，3个密码子为步长，检索终止密码子。

3.将起始密码子与终止密码子之间的序列作为输出，翻译为蛋白质。

4.将正义链和反义链分别做如上操作，保存至集合中，最后输出集合。

下面将子方法连接在一起形成main方法（附上全部子方法）。

import java.util.Scanner;
import java.util.Set;public class Open_Reading_Frames {public static void main(String[] args) {//1.输入数据Scanner sc = new Scanner(System.in);System.out.println("请输入核酸序列：");String line = sc.nextLine();String revline = CompleDNA(reverse(line));Set<String> subPro = new java.util.HashSet<String>();//2.正链检测ATG，将子序列保存到数组中for (int i = 0; i < line.length() - 3; i += 1) {//遍历时设置line.length() - 3以防止引索越界。String forwindex = line.substring(i, i + 3);if (forwindex.equals("ATG")) {String Substring = line.substring(i);for (int k = 0; k < Substring.length() - 3; k += 3) {//步长设置与检索ATG有差异，此处以3密码子为步长。String revindex = Substring.substring(k, k + 3);if (revindex.equals("TGA") || revindex.equals("TAA") || revindex.equals("TAG")) {String transDNA = line.substring(i, i + k + 3);
//                        System.out.println(transDNA);//3.子序列分别转录，翻译String RNA = transDNA.replace('T', 'U');subPro.add(RNA2protein(RNA));break;}}}}//3.反义链检测ORFfor (int i = 0; i < revline.length() - 3; i += 1) {String forwindex = revline.substring(i, i + 3);if (forwindex.equals("ATG")) {String Substring = revline.substring(i);for (int k = 0; k < Substring.length() - 3; k += 3) {//步长设置与检索ATG有差异，此处以3密码子为步长。String revindex = Substring.substring(k, k + 3);if (revindex.equals("TGA") || revindex.equals("TAA") || revindex.equals("TAG")) {String transDNA = revline.substring(i, i + k + 3);
//                        System.out.println(transDNA);//3.子序列分别转录，翻译String RNA = transDNA.replace('T', 'U');subPro.add(RNA2protein(RNA));break;}}}}for (String s : subPro) {System.out.println(s);}}//翻译RNA to Propublic static String RNA2protein(String line) {StringBuilder arr = new StringBuilder();//2.遍历核酸序列并且每三个字符串为一组提取核苷酸for (int i = 0; i < line.length(); i += 3) {String pro = line.substring(i, i + 3);//两个参数，第一个是待提取文本的起始提取位置，第二个是终止提取位置，区间内左闭右开。switch (pro) {case "AUA":case "AUC":case "AUU":arr.append("I");break;case "AUG":arr.append("M");break;case "ACA":case "ACC":case "ACG":case "ACU":arr.append("T");break;case "AAC":case "AAU":arr.append("N");break;case "AAA":case "AAG":arr.append("K");break;case "AGC":case "AGU":arr.append("S");break;case "AGA":case "AGG":arr.append("R");break;case "CUA":case "CUC":case "CUG":case "CUU":arr.append("L");break;case "CCA":case "CCC":case "CCG":case "CCU":arr.append("P");break;case "CAC":case "CAU":arr.append("H");break;case "CAA":case "CAG":arr.append("Q");break;case "CGA":case "CGC":case "CGG":case "CGU":arr.append("R");break;case "GUA":case "GUC":case "GUG":case "GUU":arr.append("V");break;case "GCA":case "GCC":case "GCG":case "GCU":arr.append("A");break;case "GAC":case "GAU":arr.append("D");break;case "GAA":case "GAG":arr.append("E");break;case "GGA":case "GGC":case "GGG":case "GGU":arr.append("G");break;case "UCA":case "UCC":case "UCG":case "UCU":arr.append("S");break;case "UUC":case "UUU":arr.append("F");break;case "UUA":case "UUG":arr.append("L");break;case "UAC":case "UAU":arr.append("Y");break;case "UGC":case "UGU":arr.append("C");break;case "UAA":case "UAG":case "UGA":break;case "UGG":arr.append("W");break;default:break;}}String str = arr.toString();return str;}//反向互补序列public static String CompleDNA(String s) {//新建StringBuilder类数据以存储替换后的碱基StringBuilder arr = new StringBuilder();for (int i = 0; i < s.length(); i++) {switch (s.charAt(i)) {//括号中的输出类型为char类型，匹配后面的字符时需要将字符加单引号可匹配。case 'A':case 'a':arr.append('T');break;case 'C':case 'c':arr.append('G');break;case 'G':case 'g':arr.append('C');break;case 'T':case 't':arr.append('A');break;default:System.out.println("第" + (i + 1) + "位不是ACTG");break;}}String str = arr.toString();return str;}public static String reverse(String s) {String ss = "";for (int i = s.length() - 1; i >= 0; i--) {ss += s.charAt(i);}return ss;}
}

补充.HashSet解决正反链重复输出问题

java集合类提供了存储空间可变的存储类型，存储的数据量可以随时改变。而集合类collection中存储的数据如果有重复出现的元素则为List接口（可重复），存储不可重复元素的集合用Set接口。HashSet就是这么一类保存不可重复元素的集合，因此正反义链的内容可同时存入同一个HashSet以消除翻译结果相同的ORF。

但是对于Hashset的使用也有一些特殊的地方需要注意：
Hashset存储的内容是无序的，这也意味着一些需要输出有顺序的索引值的问题使用哈希会有麻烦。如果希望输出特定索引值则可以考虑list集合来处理。