使用 Python 进行 DNA 序列分析：基于状态转移矩阵的 PCA 分析

本代码使用 Python 和 Biopython 库从 FASTA 文件中提取 DNA 序列信息，并基于状态转移矩阵计算进行 PCA 分析，可用于序列比较和分类。

from Bio import SeqIO
import numpy as np
import matplotlib.pyplot as plt
import os

# 读取fasta文件，计算状态转移矩阵
def calc_transition_matrix(fasta_file):
    sequences = list(SeqIO.parse(fasta_file, 'fasta'))
    alphabet = list(set(''.join([str(seq.seq) for seq in sequences])))  # 使用单引号
    states = len(alphabet)
    matrix = np.zeros((states, states))
    for seq in sequences:
        seq_str = str(seq.seq)
        for i in range(len(seq_str) - 1):
            from_state = alphabet.index(seq_str[i])
            to_state = alphabet.index(seq_str[i+1])
            matrix[from_state, to_state] += 1
    return matrix

# 对矩阵进行z-score标准化
def standardize(matrix):
    standardized_matrix = (matrix - np.mean(matrix, axis=0)) / np.std(matrix, axis=0)
    return standardized_matrix

# 对标准化后的矩阵进行PCA分析
def pca(matrix):
    cov = np.cov(matrix.T)
    eig_vals, eig_vecs = np.linalg.eig(cov)
    idx = np.argsort(eig_vals)[::-1]
    eig_vecs = eig_vecs[:, idx]
    projection = np.dot(matrix, eig_vecs)
    return projection

# 测试代码
if __name__ == "__main__":
    # 获取文件夹中的所有fasta文件
    fasta_folder = "fasta_files"
    fasta_files = [os.path.join(fasta_folder, f) for f in os.listdir(fasta_folder) if f.endswith(".fasta")]

    # 对每个fasta文件进行状态转移矩阵的计算、标准化和PCA分析
    for fasta_file in fasta_files:
        # 读取fasta文件，计算状态转移矩阵
        matrix = calc_transition_matrix(fasta_file)
        print(matrix)

        # 对矩阵进行标准化
        standardized_matrix = standardize(matrix)
        print(standardized_matrix)

        # 对标准化后的矩阵进行PCA分析
        pca_result = pca(standardized_matrix)

        # 绘制PCA散点图
        plt.scatter(pca_result[:, 0], pca_result[:, 1], label=fasta_file)
    
    plt.legend()
    plt.show()

关于字体问题:

出现 RuntimeWarning: Glyph ... missing from current font. 错误是因为 matplotlib 无法找到绘制中文所需的字体。

解决方法:

安装所需字体文件:
```
sudo apt-get install fonts-wqy-zenhei
```
更新 matplotlib 库和系统中文字体库:
```
pip install -U matplotlib
sudo fc-cache -fv
```

其他:

可以使用其他支持中文的字体文件，例如 fonts-arphic-uming 或 fonts-ttf-wqy 等。
如果仍然无法解决问题，可以尝试使用其他绘图库，例如 seaborn 或 plotly。
确保 matplotlib 的 font.family 设置为支持中文的字体，例如 font.family: SimHei。