最近導師讓我跑模型，生物信息方向的，我一個學計算機的，好多東西都看不明白。現在的方向大致是，用深度學習的模型預測病毒感染人類的風險。

既然是病毒，就需要拿到它的DNA，也就是堿基序列，然后把這些ACGT序列丟進模型里面，然后就是預測能不能感染人類，說實話，估計結果不會好，現在啥都是transformer，而且我看的這篇論文，我認為僅僅從DNA序列大概預測不出什么東西。

但是就那樣吧，現在數據去哪里下載，需要下載什么樣的數據，下載完成后怎么處理我還是一臉懵逼，但是假設上面都處理好了，然后即使把數據丟給模型，跑就完了。

也不是沒進度，目前了解到的是，我應該使用一種叫fasta格式的文件，然后把里面的一大串ACGT序列拿出來，轉為模型可以處理的數據。然后，以后再說。

現在假設我已經有了ACGT的序列，然后把它轉為模型可以處理的矩陣。

這里，我隨機生成長度為131072的基因序列，為什么是這個數字呢，因為這是之前看的 論文里的值，，暫時按照這個來做。

實現:

首先是導入庫

import numpy as np import random import tensorflow as tf import inspect from typing import Any, Callable, Dict, Optional, Text, Union, Iterable import os

然后，定義一個生成長度為131072bp的函數：

#隨機生成131072的dna序列 length = 131072 def randomSeq(length):return ''.join([random.choice('ACGT') for i in range(length)])

這個函數的返回結果是長度為length的字符串，類似ACGTTGC這樣。

然后這種序列模型是沒辦法處理的，所以需要把它變成矩陣，也就用one-hot編碼。
比如ACGT這個序列，編碼成：
[ [1,0,0,0],
[0,1,0,0],
[0,0,1,0],
[0,0,0,1] ]
這樣的一個矩陣，這個就不細說了，網上很多資料。

然后，我從別人的代碼中抄了一個函數，很好用。

#DNA序列轉為one-hot編碼，可以直接拿來用 def one_hot_encode(sequence: str,alphabet: str = 'ACGT',neutral_alphabet: str = 'N',neutral_value: Any = 0,dtype=np.float32) -> np.ndarray:"""One-hot encode sequence."""def to_uint8(string):return np.frombuffer(string.encode('ascii'), dtype=np.uint8)hash_table = np.zeros((np.iinfo(np.uint8).max, len(alphabet)), dtype=dtype)hash_table[to_uint8(alphabet)] = np.eye(len(alphabet), dtype=dtype)hash_table[to_uint8(neutral_alphabet)] = neutral_valuehash_table = hash_table.astype(dtype)return hash_table[to_uint8(sequence)]

這是一個嵌套函數了，仔細研究下還是可以理解的，我就不說了，會用就行了。
簡單講一下參數的意思：

sequence:字符串類型，就是輸入的堿基序列。
alphabet: str = ‘ACGT’ ：詞表，一共只需要這四個詞
neutral_alphabet: str = ‘N’,
neutral_value: Any = 0,
上面這兩一起用，就是說遇到N這個堿基就會編碼成[0,0,0,0]的向量。
dtype=np.float32，這個就是內部元素值的類型。

簡單生成一下：

然后輸入序列長度是131072bp,所以輸入的矩陣就是131072x4的矩陣，現在來把序列變為矩陣。

編碼成one-hot矩陣

dnaVec = one_hot_encode(dna)

現在DNA序列已經變成了矩陣，接下來需要把這一條序列，也就是一個樣本數據，變成TensorFlow中的TFRecord文件格式。TFRecord 是 TensorFlow 中的數據集存儲格式。當我們將數據集整理成 TFRecord 格式后，TensorFlow 就可以高效地讀取和處理這些數據集，從而幫助我們更高效地進行大規模的模型訓練。

關于tfr文件的處理，我就不在細說了，總之現在我們需要構建example。

在此之前，我們需要先這么做：

#給出結果的tfr文件的路徑 path = '/content/drive/MyDrive/test_Enformer/result.tfr'#dna的numpy數組轉成字節流，這樣才能存儲 dnaVec = dnaVec.tobytes()

接下來就是把這個字節流數據寫入到tfr文件中，這里同時寫入這條數據的label中，我的問題是給一個Dna序列，預測是或者不是的二分類問題，所以我同時把這條dna序列對應的真實標簽也寫進去，但是我是隨機從0,1中選擇一個。

from tensorflow.core.example.feature_pb2 import BytesList with tf.io.TFRecordWriter(path) as writer:feature = {#序列使用的是tf.train.BytesList類型'sequence':tf.train.Feature(bytes_list=tf.train.BytesList(value=[dnaVec])),#label是隨機生成的0，或者1'label':tf.train.Feature(int64_list=tf.train.Int64List(value=[np.random.choice([0,1])]))}example = tf.train.Example(features=tf.train.Features(feature=feature))writer.write(example.SerializeToString())

這部分的代碼執行結束后，就已經把dna序列以及對應的標簽寫入了tfr文件中，
不過這個tfr文件中只有一個example，你可以寫更多個。

剛剛寫入的tfr文件

到這里，相當于已經把數據準備好了，接下來就是讀取數據。

#從剛才的路徑中加載數據集 dataset = tf.data.TFRecordDataset(path) #定義Feature結構，告訴解碼器每個Feature的類型是什么 feature_description = {"sequence": tf.io.FixedLenFeature((), tf.string),"label": tf.io.FixedLenFeature((), tf.int64)} #將 TFRecord 文件中的每一個序列化的 tf.train.Example 解碼 def parse_example(example_string):#解析之后得到的exampleexample = tf.io.parse_single_example(example_string,feature_description)#example['sequence']還是字節流的形式，重新轉為數字向量sequence = tf.io.decode_raw(example['sequence'], tf.float32)sequence = tf.reshape(sequence,(length,4)) #形狀需要重塑，不然就是一個長向量label = tf.cast(example['label'],tf.int64) #標簽對應的類型轉換#每一天example解析后返回對應的一個字典return {'sequence':sequence,'label': label} #把parse_example函數映射到dataset中的每個example, #這里的dataset中只有一個example dataset = dataset.map(parse_example)

此時的dataset是一個可以遍歷的對象，內部元素可以認為是解析完成后的example。

這個字典有兩個鍵sequence和lable，對應著序列矩陣和標簽值

這就是可以用來訓練的數據。

總結

以上是生活随笔為你收集整理的DNA序列存储为tfr文件并读取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。