2020-09-11取只在intron的序列

默认是没有覆盖的情况，只是去除了同start和同end的覆盖，更大范围的覆盖并不去除，实际有没有并没考虑。

选择一种查找算法来查找范围。

树的问题是最上的根节点比较麻烦，哈希表不能比较范围，索引查找比较麻烦，相对而言还是最初的二分查找比较合适。

因为都是有序的，查找时间可以保证，也能避免位置冲突带来的哈希表和索引、建树问题。

二分查找的话，先找到右边界，再-1看有没有大于左边界。

找边界：

1

当left>right时，也就是left = 15 right = 15，（在此代码条件下）

对右-1得左：

3

2

下标应该用first，last，之前用mid会出错。

2

只能取到范围内非最左端，如果end是最左端，则结果是None。

0

改动条件使得它只能不跨或只跨一个外显子。

搜索模块结束。和sam文件组合筛选。

需要知道start和end，在pysam里选一个方法：

1

3

可以得出只有M的长度。

3

2

直接相加和用reference_end一样

2

2

cut一下

2

sed一下。以便将文件转为list，用：

2

3

4

有了位置的list，有了比对算法，可以对sam中的位置信息进行比对了。

5

跑出来结果不对。突然想到intron位置在最后一次sort之后保持的倒序，但程序写的last last-1是左右位置。

3

正序

3

结果：

1

一对的常只取到一个。

2

3

2

目前看没有乱取，但是有少取，总是只取一半。

2

找第一个比对到的（seq_in_intron中）

2

能看到只比对到右边的，而且不完全，和之前的特征一致，都是比对到右边。

但是，输入文件是排序后的bam，输出文件中，按igv看到的，本应是连续的，但实际上：

3

2

根据igv的intron地址，回intron位置文件中找，位置并无问题。

2

做了不大不小的改动之后，也仅仅是多了几条。改动是使用sort过后的文件作为输入文件，以及代码中错写每次循环都重算位置。且一个read的开头结尾只能在一个intron，应该删除一下代码多判断的部分。

重新写后结果依旧没变，突然想到是不是0base和1base的问题，因为左端是对齐的，所以可能差个1就比不上了。并且检查了0819和1041，确实是完整的intron，能比到右端是1041，左端一定是0819.

gff3可能是1base，即开始的第一个位置是1，而pysam取出的序列是0base，他的start要比gff的小1，应该在start+1.而判断条件是start>=array[last-1].因为start和它本身切齐，但又小个1，所以永远不可能>=，除非是比到右端。

马上重试。

1

马上序列多了一倍。

2

bug看似被成功修正，再检查一下应该能下班。

启事是：1.如果不是勉强自己仔细看了pysam的文档并对不懂的地方查了，应该想不到这个问题，而是像之前一样以为是二分法和位置序列取的有问题。认识自己使用的工具，深入的，才能找到问题可能出现的位置。所以，认识自己使用的工具，并多读文献文档。即使这次是侥幸看到，我还是有大面的文档没有阅读。很大面积。我只是半仔细的看了可能要用的部分。所以，从头至尾的读，读作者的话是非常重要的。这次只是侥幸扫到。

2.在疲惫的时候写出的代码不严谨，设计时候的不严谨再改正时会因为思维僵化而找不到问题。并且，之前我有提示自己注意01base 的问题，所以，边做边记是个好习惯。会继续发扬下去，并且，设计时候考虑的疑点，也要如实记下。

总结：认真读文档，多读文献，设计时要严谨 ，设计时的疑点要如实记下，设计时的每一步记录要做好。

一个简单的问题实现起来用了两周。。。。

结果：最后又浏览了一下，表现尚可，大体比较准确，但不是每个都能保证正确，有些能看到到未取到。还有要改进之处。

所用脚本：seq_in_intron.py