m�thode pour encoder une s�quence ADN

**FryHandiz** · 14/03/2016, 21h10

Bonjour � toutes et � tous,

Je d�bute en C++ et j'ai une petite API � d�velopper.
Sauf que voil�, j'arrive � un moment o� je bloque un peu... !
Donc j'ai une s�quence ADN form�e des quatre lettres suivantes : ATCG et j'ai besoin de l'encoder afin de pouvoir la manipuler (genre cr�er une s�quence reverse ex:GCTA, ou le compl�mentaire TAGC). Bref, mon souci est surtout qu'on m'a vite fait parl� d'un truc que je ne comprends pas.
Apparemment, il est n�cessaire d'encoder pour se retrouver avec par exemple A = 0, C=1, T=2 et G=3. Pour que �a prenne moins de place en m�moire (Gni�h ? 1�re question xD). Apparemment, quand je "stock" mes valeurs dans un tableau, �a prendrait moins de place...
Et apr�s bon... Je sais pas trop comment cr�er ma m�thode mais d�j�, comprendre �a m'aiderait pas mal.

Merci d'avance pour votre aide !

**Bousk** · 14/03/2016, 23h11

Salut,

te fatigues pas avec des consid�rations de quantit� de m�moire.

(tu peux lancer ce regard � quiconque t'as sorti cette absurdit�)
Tu veux une s�quence, tu cr�es un vector et basta. Un vector de char est suffisant. Si tu veux fignoler, tu peux cr�er un enum contenant tes 4 valeurs � la place, et c'est tout pour le moment, �a fera tr�s bien l'affaire.

**koala01** · 15/03/2016, 00h08

Salut,

Si j'ai bien compris le principe de l'ADN (ce qui reste encore � d�montrer, vu que je suis informaticien, et non biologiste

), le nuc�lotide est syst�matiquement compos�s de quatre �l�ments repr�sent�s par les lettre C G A et T (et autre combinaisons possibles), et tu as une s�rie de nuc�lotides qui se suivent pour repr�senter une "s�quence ADN"(merci wikipedia

).

H� bien, le plus facile est sans doute de cr�er deux types de donn�e bien distincts : un type de donn�e permettant de repr�senter la notion de nucl�otide et un type de donn�e permettant de repr�senter... une s�quence d'ADN.

Ceci dit, je dis qu'il faut cr�er des types de donn�es, mais le seul but recherch� est de permettre au d�veloppeur de savoir s'il est occup� � travailler sur... ce qui repr�sente un nucl�otide ou sur ce qui repr�sente une s�quence ADN! On n'est donc pas forc�ment oblig� d'aller tr�s loin dans la d�finition de ces types et, en l'occurrence, des alias de type pourraient tr�s bien faire l'affaire

(enfin, dans un premier temps du moins).

Ainsi, la notion de nucl�otide, vu quelle doit �tre repr�sent�e par quatre lettres, pourrait tr�s bien prendre la forme de

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

using Nucleotide = std::array<char, 4>;

(Attention: C++11 obligatoire

)

Quant � la notion de "s�quence d'ADN", elle pourrait tout aussi bien prendre la forme de

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

using AdnSequence = std::vector<Nucleotide>;

.

La seule chose, c'est que la notion de tableau (comme celle repr�sent�e par la classe std::vector) est particuli�rement rapide lorsqu'il s'agit d'acc�der aux diff�rents �l�ments qu'elle contient, mais... d'une lenteur crasse lorsqu'il s'agit d'augmenter le nombre d'�l�ments qu'elle est capable de contenir. Si bien que l'id�al est g�n�ralement de faire en sorte que std::vector demande directement "assez de m�moire" que pour �tre en mesure de contenir l'ensemble des �l�ments que nous nous appr�tons � lui donner.

PS : je confirme ce que bousk dit : un char pour repr�senter les valeurs de C, G, T et A est largement suffisant, et prendra surement moins de place en m�moire que d'utiliser n'importe quel type "entier"

En outre, il serait �ventuellement possible de faire encore mieux du point de vue de l'utilisation de la m�moire en essayant de faire en sorte d'utiliser syst�matiquement deux bits pour chaque lettre. Mais, � moins d'avoir la preuve que l'utilisation d'un char pour repr�senter un des �l�ments du nucl�otide ne repr�sente d�j� une "utilisation trop importante de la m�moire", je crois qu'il serait particuli�rement masochiste d'essayer de faire autrement

**LandReagan** · 15/03/2016, 07h11

Salut,

Un nucl�otide est SOIT : A, C, G ou T. Il semble donc qu'une enum soit plus appropri�e qu'un std::array!

Non?

**Bousk** · 15/03/2016, 09h34

Oui mais tu as bien une s�quence de nucl�otide non ? Donc fatalement � un moment il t'en faut plusieurs.. un tableau/array donc.

**LandReagan** · 15/03/2016, 10h06

Ah ouais, je n'avais pas compris �a comme �a.

**ternel** · 15/03/2016, 10h18

Pour le coup, le nucl�otide ne contient qu'une valeur (parmi {A, T, C,G}), c'est la s�quence qui est repr�sentable par un vector.

On a int�ret � prendre un using Nucleotide = char; ou enum class Nucleotide {A, T, C, G};.
Mais je suis d'accord avec using AdnSequence = std::vector<Nucleotide>;. (ou list, selon besoin, mais � voir plus tard)

**VivienD** · 15/03/2016, 11h30

Bonjour,

Pour repr�senter une nucl�otide et pouvoir retranscrire ta s�quence ADN sous la forme d'une cha�ne de caract�re, je serais plut�t d'avis d'utiliser l'�num�ration suivante:

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
enum Nucleotide : char
{
   A = 'A',
   C = 'C',
   G = 'G',
   T = 'T'
};

Ainsi, tu pourras faire les conversions Nucleotide-char de mani�re implicite.

Tsch��

**RPGamer** · 15/03/2016, 13h31

En g�n�ralisant l'utilisation d'une nucl�otide comme celle de VivienD, tu peux alors repr�senter une s�quence ADN comme suit :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
#include <iostream>
#include <array>
 
enum Nucleotide : char
{
   A = 'A',
   C = 'C',
   G = 'G',
   T = 'T'
};
 
class Sequence
{
public:
 
   static constexpr size_t SIZE = 4;
 
   Sequence(const std::array<Nucleotide, SIZE> &sequence);
   void reverse();
   void complement();
 
   // opérateur << pour faciliter l'affichage d'une séquence
   friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence)
   {
       for (char nucleotide : sequence.sequence)
       {
          os << nucleotide;
       }
       return os;
   }
 
private:
 
   std::array<Nucleotide, SIZE> sequence;
 
};
 
Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) :
   sequence(sequence)
{
}
 
void Sequence::reverse()
{
   for (auto i = 0u; i < SIZE/2; i++)
   {
       auto temp = sequence[i];
       sequence[i] = sequence[SIZE - 1 - i];
       sequence[SIZE - 1 - i] = temp;
   }
}
 
void Sequence::complement()
{
   // ...
}
 
int main()
{
    Sequence sequence{{A, T, C, G}};
    std::cout << sequence << std::endl;
 
    sequence.reverse();
    std::cout << sequence << std::endl;
 
    return 0;
}

Comme tu peux le voir, l'utilit� du tableau est visible lorsqu'il s'agit de manipuler la s�quence. Plus simple que mon exemple : utiliser la fonction std::reverse()

**jopopmk** · 15/03/2016, 14h08

Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
#define A 0x01 // valeur pour l'adénine telle que A^X = T
#define T 0x03 // valeur pour la thymine telle que T^X = A
#define C 0x05 // valeur pour la cytosine telle que C^X = G
#define G 0x07 // valeur pour la guanine telle que G^X = C
#define Z 0x00 // délimiteur de séquence, facultatif
#define X 0x02 // masque XOR d'inversion

**ternel** · 15/03/2016, 14h39

il n'est pas forc�ment n�cessaire d'inverser la s�quence, tu peux aussi parcourir un tableau par la fin:

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
for(int i = taille-1; i>=0; --i) {
    utiliser(tab[i]);
}

Si, comme je t'y invite vivement, tu travailles avec des std::vector (ou std::list ou autre), il y a les fonctions membres rbegin() et rend() pour cela.

**koala01** · 15/03/2016, 14h41

Envoy� par jopopmk

Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
#define A 0x01 // valeur pour l'adénine telle que A^X = T
#define T 0x03 // valeur pour la thymine telle que T^X = A
#define C 0x05 // valeur pour la cytosine telle que C^X = G
#define G 0x07 // valeur pour la guanine telle que G^X = C
#define Z 0x00 // délimiteur de séquence, facultatif
#define X 0x02 // masque XOR d'inversion

Si ce n'est qu'un #define, c'est franchement moyen moyen en C++... Une �num�ration (simple) fait bien mieux le travail en cas de besoin

**RPGamer** · 15/03/2016, 15h16

La meilleure approche est peut-�tre un mix des deux.

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
#include <iostream>
#include <algorithm>
#include <array>
#include <map>
 
enum Nucleotide : char
{
   A = 0x01,
   C = 0x05,
   G = 0x07,
   T = 0x03
};
 
class Sequence
{
public:
 
   static constexpr size_t SIZE = 4;
 
   Sequence(const std::array<Nucleotide, SIZE> &sequence);
   void reverse();
   void complement();
 
   friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence);
 
private:
 
   static constexpr char COMPLEMENT = 0x02;
   static const std::map<char, char> mapping;
 
   std::array<Nucleotide, SIZE> sequence;
 
};
 
const std::map<char, char> mapping =
{
  {0x01, 'A'},
  {0x05, 'C'},
  {0x07, 'G'},
  {0x03, 'T'}
};
 
Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) :
   sequence(sequence)
{
}
 
void Sequence::reverse()
{
   std::reverse(sequence.begin(), sequence.end());
}
 
void Sequence::complement()
{
   // ...
}
 
inline std::ostream &operator <<(std::ostream &os, const Sequence &sequence)
{
   for (char nucleotide : sequence.sequence)
   {
      os << mapping.at(nucleotide);
   }
   return os;
}
 
int main()
{
    Sequence sequence{{A, T, C, G}};
    std::cout << sequence << std::endl;
 
    sequence.reverse();
    std::cout << sequence << std::endl;
 
    sequence.complement();
    std::cout << sequence << std::endl;
 
    return 0;
}

**jopopmk** · 15/03/2016, 15h29

J'ai bien dit que j'�tais pas expert en C++, et que mon exemple �tait "rapide"

Ce choix de valeurs (d'autres fonctionnent aussi hein) permet de trouver la compl�mentaire d'une s�quence de la plus simple des mani�res.
On peut �videmment valoriser les �l�ments d'une enum pareillement, mais en C �a taille un int, l� on a de la constante qui tient dans un octet ^(*).

Maintenant � voir quel est l'objectif principal : manipuler des s�quences (valoriser l'enum avec des valeurs qui simplifie les op�rations) ou les afficher (valoriser l'enum avec les char �quivalents) ? Je proposais juste une astuce pour le premier cas.

^(*) : en C non plus les #define ne sont pas toujours les meilleurs choix

**RPGamer** · 15/03/2016, 15h40

Pour le compl�ment, j'ai �a avec un enum :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
void Sequence::complement()
{
   for (auto &nucleotide : sequence)
   {
       nucleotide = static_cast<Nucleotide>(nucleotide ^ COMPLEMENT);
   }
}

Une id�e pour faire plus simple?

**VivienD** · 15/03/2016, 15h58

Envoy� par jopopmk

Salut,

je suis pas franchement expert en C++ du coup je te parlerai pas des classes de std.
Pour la remarque sur la m�moire : �a peut d�pendre du compilo mais le char est l'�l�ment le plus petit en m�moire (un octet).
Pour l'inversion d'une s�quence : c'est une inversion de tableau, pas d'astuce particuli�re
Pour la compl�mentaire d'une s�quence : l� l'utilit� de valeurs bien d�finies peut faciliter le travail (XOR).
Exemple rapide avec des valeurs de PREPRO :

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
#define A 0x01 // valeur pour l'adénine telle que A^X = T
#define T 0x03 // valeur pour la thymine telle que T^X = A
#define C 0x05 // valeur pour la cytosine telle que C^X = G
#define G 0x07 // valeur pour la guanine telle que G^X = C
#define Z 0x00 // délimiteur de séquence, facultatif
#define X 0x02 // masque XOR d'inversion

Envoy� par RPGamer

La meilleure approche est peut-�tre un mix des deux.

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
#include <iostream>
#include <algorithm>
#include <array>
#include <map>
 
enum Nucleotide : char
{
   A = 0x01,
   C = 0x05,
   G = 0x07,
   T = 0x03
};
 
class Sequence
{
public:
 
   static constexpr size_t SIZE = 4;
 
   Sequence(const std::array<Nucleotide, SIZE> &sequence);
   void reverse();
   void complement();
 
   friend std::ostream &operator <<(std::ostream &os, const Sequence &sequence);
 
private:
 
   static constexpr char COMPLEMENT = 0x02;
   static const std::map<char, char> mapping;
 
   std::array<Nucleotide, SIZE> sequence;
 
};
 
const std::map<char, char> mapping =
{
  {0x01, 'A'},
  {0x05, 'C'},
  {0x07, 'G'},
  {0x03, 'T'}
};
 
Sequence::Sequence(const std::array<Nucleotide, SIZE> &sequence) :
   sequence(sequence)
{
}
 
void Sequence::reverse()
{
   std::reverse(sequence.begin(), sequence.end());
}
 
void Sequence::complement()
{
   // ...
}
 
inline std::ostream &operator <<(std::ostream &os, const Sequence &sequence)
{
   for (char nucleotide : sequence.sequence)
   {
      os << mapping.at(nucleotide);
   }
   return os;
}
 
int main()
{
    Sequence sequence{{A, T, C, G}};
    std::cout << sequence << std::endl;
 
    sequence.reverse();
    std::cout << sequence << std::endl;
 
    sequence.complement();
    std::cout << sequence << std::endl;
 
    return 0;
}

On peut m�me aller plus loin si on tient prendre en compte les propri�t�s chimiques des nucl�otides. Soit dit en passant, je fais appel � de lointains souvenirs, l�.

D'une part, l'ad�nine et la cytosine sont des amines tandis que la guanine et la thymine sont des c�tones; et il s'av�re qu'un c�tone ne peut s'apparier qu'� une anime, et inversement. D'autre part, l'ad�nine et la guanine sont des purines tandis que la cytosine et la thymine sont des pyrimidines; et il s'av�re qu'une purine ne peut s'apparier qu'� une pyrimidine.
En r�servant un bit pour chacun des types de mol�cule (soit quatre bits en tout, sur au minimum huit disponibles dans char), on peut code l'�num�ration Nucleotide comme suit:

Code :

S�lectionner tout - Visualiser dans une fen�tre � part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
enum Nucleotide : char
{
  //Flags
  __F_Nucleotide_Amine = 0x01,
  __F_Nucleotide_Ketone = 0x02,
  __F_Nucleotide_Purine = 0x04,
  __F_Nucleotide_Pyrimidine = 0x08,
 
  //Mask
  __M_Nucleotide_Complement = 0x0f,
 
  //Nucleotides
  A = __F_Nucleotide_Amine | __F_Nucleotide_Purine,
  C = __F_Nucleotide_Amine | __F_Nucleotide_Pyrimidine,
  G = __F_Nucleotide_Ketone | __F_Nucleotide_Purine,
  T = __F_Nucleotide_Ketone | __F_Nucleotide_Pyrimidine
};

Avec l'op�rateur binaire & et les drapeaux __F_Nucleotide_Xyz, on peut savoir si le nucl�otide est une amine, un c�tone, une purine ou une pyrimidine. Avec l'op�rateur binaire ^ et le masque __M_Nucleotide_Complement on peut trouver le compl�ment d'un nucl�otide ou savoir si deux nucl�otides peuvent s'apparier l'un � l'autre: en effet, l'op�ration X ^ Y donne 0x0f, c'est-�-dire __M_Nucleotide_Complement, si et seulement si X et Y repr�sente des nucl�otides compl�mentaires.

**RPGamer** · 15/03/2016, 16h15

Je suis pas fan des __ normalement r�serv�s pour la STL mais l'id�e est bonne

**VivienD** · 15/03/2016, 16h19

Envoy� par RPGamer

Je suis pas fan des __ normalement r�serv�s pour la STL mais l'id�e est bonne

Je utilise le double tiret bas pour indiquer aux d�veloppeurs qui veulent utiliser mon code, moi inclus, qu'ils ne doivent pas toucher � ces �l�ments.

**bacelar** · 15/03/2016, 17h13

Je utilise le double tiret bas pour indiquer aux d�veloppeurs qui veulent utiliser mon code, moi inclus, qu'ils ne doivent pas toucher � ces �l�ments.

Valable en C, mais pas en C++, ou les "__" en d�but d'identifiants sont r�serv�s � la STL.

P.S.: Je ne crois pas que les "__" soient valide en C non plus. Je crois que les "__exit" et autres bidules impl�ment�s dans certaines C-Runtime appr�cient la blague.

**jopopmk** · 15/03/2016, 17h56

Le "__" est utilis� pour les conventions d'appel sous Zindows (MSVC) ex. __cdecl, __fastcall ...
Je sais pas si y'a une vraie convention pour son usage.

Enfin c'est pas la question, on s'�gare

Remarquez, FryHandiz n'est pas revenu depuis qu'il a pos� sa question ...

Sinon j'aime bien le d�coupage de VivienD, �a ajoute du sens suppl�mentaire et le principe est �l�gant.

m�thode pour encoder une s�quence ADN

C++

Discussions similaires

Partager

Partager