2021-01-03总结

原理：取特征序列，（但是没考虑特殊情况，特殊情况如BCD），在取在intron上的特征序列（但是把intron合成唯一的来考虑，且没把单条的删除，这个待考虑），已有结果，但没meta。

接下来：完善小问题，然后机器学习，采用多种方法：因为分类任务，因此先采用传统方式（位置权重矩阵模型+集成学习），保证准确度，再采用深度学习的方式（LSTM和GRU），发现新类型。

总之，侧重点不在鉴别，而在预测

鉴别出的序列比较杂，只是拥有分段比对的特征，没有特别限制，即不用既往经验限制序列特征，只保证它的准确性。

学习：树的方法，从头学习树。

流程梳理：

1

1.先找到所有分段匹配的序列，保存为中间文件。

1

改进：这里可以使用pysam的保存方式，节省1.1添加header的步骤

2.简单说就是分类，将特征序列分为五类

1

这个是第一段核心代码，使用sam文件的四个标志：qname flag reads cigar 进行分类，分为五类文件

整段使用if判断，完成对特征序列的分类，没有算法上的创新，只是完成一个任务

结果

2

改进依旧是2.1的加header问题

3.包含3.0 3.1（主体部分）3.2

先取得intron序列，目前使用pandas的dataframe取出，去重，排序，并保存为ist格式，

1

这部分是核心代码之2，用来取在intron内的序列，缺点很多，有如下：1.合并后的intron结果文件没保存，导致后期在igv观察不便，但如果不合并intron，则此问题不存在。2.用硬编码的方式处理，不够灵活。有几个染色体，就得写几次，目前改进了方法，不保存直接处理，削弱了硬编码问题，

1

改进后：

1

直接用group处理，不产生中间文件

3.intron是否该合并问题，合并时采用二分法找区间，不合并计划采用c写的树作为查找的数据结构。

1

此处为算法创新，借鉴区间树，对重叠区域进行查找，找到在重叠区的最小区间。

1

4.取meta，未检验