python中蛋白质序列的一种热编码

Question

我需要将序列作为训练数据，将输出列作为标签。但在我必须对序列应用一种热编码之前，如您所见，序列的长度各不相同 请建议我如何对所有氨基酸应用一种热编码以分配不同的整数值

Answer 1

没有其他人可以确定对您的数据集进行分类的最佳方法。这个决定只能由对目标和数据集有很好理解的人做出。φ(x)——你的特征向量——总是非常特定于你的数据。

例如，如果您有 DNA，您可能具有特定密码子是否存在的特征，或腺嘌呤数量的箱等，这是非常主观的，即使有很好的理解，调整也是一项不平凡的任务。

您必须非常小心，因为如果您错误地生成特征向量，您可能会在您的数据中创建某些类别的偏差，使其具有一定的长度、某些氨基酸的数量等，这些偏差并不能真正代表您所分类的内容。这可能会导致测试和训练错误率具有欺骗性并产生错误的结论。

老实说，如果你在上大学，我建议你请计算机科学系或其他类似部门的人来帮助你的项目。虽然使用预烘焙的 sklearn 编码似乎很诱人，但它对于您的情况并不是一个好的解决方案。由于数据量有限，您很可能会在序列长度方面出现异常情况，并且尝试将每个字符变成它自己的特征会导致拟合性能不佳。

至于实际将您的数据读入 python，它是一个 csv，因此您可以使用 open() 和 split(',') 手动解析它，或者您可以使用一些流行的库来解析 csv 格式。YMMV