這題要我們讀入多個DNA序列（FASTA格式）
從中找出GC含量最高的那一段序列，並輸出GC含量（保留小數到第六位）
普遍稱呼「GC」而非「CG」，我也不知道為什麼 ╮(╯_╰)╭
但讓我聯想到，GC在程式語言專指垃圾回收（Garbage Collection）
首先要了解FASTA格式（又稱Pearson格式）
這是生物資訊中最常見的一種序列資料的儲存格式
FASTA格式非常鬆散，它的規則非常簡單：
>開頭，表示一段新序列的標籤（描述行）- 下面接著的一行或多行，則是序列資料本體（序列內容）=> Sequence lines
- 當遇到下次開頭出現
>的那一行，就是新的序列開始
>我的序列01
AAAAAAAA
>我的序列02
CCCCCCCC
標籤（描述行）又有很多種說法：
ID／Description／Header／Name／Title／Label Line（也太鬆散了吧！）
通常以 ID／Description／Header 為最佳實踐
資料本體（序列內容）又稱爲 ：Sequence／Sequence Lines
輸入
>Rosalind_6404
CCTGCGGAAGATCGGCACTAGAATAGCCAGAACCGTTTCTCTGAGGCTTCCGGCCTTCCC
TCCCACTAATAATTCTGAGG
>Rosalind_5959
CCATCGGTAGCGCATCCTTAGTCCAATTAAGTCCCTATCCAGGCGCTCCGCCGAAGGTCT
ATATCCATTTGTCAGCAGACACGC
>Rosalind_0808
CCACCCTCGTGGTATGGCTAGGCATTCAGGAACCGGAGAACGCTTCAGACCAGCCCGGAC
TGGGAACCTGCGGGCAGTAGGTGGAAT
輸出
Rosalind_0808
60.919540
程式碼
data = \
""">Rosalind_6404
CCTGCGGAAGATCGGCACTAGAATAGCCAGAACCGTTTCTCTGAGGCTTCCGGCCTTCCC
TCCCACTAATAATTCTGAGG
>Rosalind_5959
CCATCGGTAGCGCATCCTTAGTCCAATTAAGTCCCTATCCAGGCGCTCCGCCGAAGGTCT
ATATCCATTTGTCAGCAGACACGC
>Rosalind_0808
CCACCCTCGTGGTATGGCTAGGCATTCAGGAACCGGAGAACGCTTCAGACCAGCCCGGAC
TGGGAACCTGCGGGCAGTAGGTGGAAT
"""
# 讀入資料，將sequence存入dict
sequences = dict()
label = ""
for line in data.splitlines(): # 等同做了 str.split("\n"), \r, \n\r...
if line[0] == ">":
label = line[1:] # 去除">"
sequences[label] = ""
else:
sequences[label] += line
# 針對每一個序列進行GC計算
max_gc_label, max_gc_ratio = "", 0
for label, seq in sequences.items():
at_count = 0
gc_count = 0
for base in seq:
if base == "A" or base == "T":
at_count += 1
if base == "C" or base == "G":
gc_count += 1
gc_ratio = gc_count / (at_count + gc_count) * 100
if gc_ratio > max_gc_ratio:
max_gc_label, max_gc_ratio = label, gc_ratio
print(max_gc_label)
print(f"{max_gc_ratio:.6f}")
對於變數名稱感到糾結 >< 很想維持一致性
到底要cg還gc
因為一下at_count、另一邊gc_count又怪怪的，沒有照字母順序排
最後還是統一改成gc_count、gc_ratio
要“保留小數到第六位”，如果直接用Python來做很省事
因為Python預設float就是double精度，處理格式化輸出也非常容易
其他程式語言就不一定了
另外，因平台每次出題都會有變化，只能知道正確/錯誤，沒有除錯機會
可先用此連結（Endmemo）進行驗算
BTW，在生物意義上
GC含量可作為基因體比較、演化分析的參考指標之一
因為不同種類的物種，通常擁有不同比例的「GC含量」
（當然，只是大約數字、並非精確，畢竟每個物種都存在個體差異以及突變）
人與人之間的DNA相似度為99.9%
黑猩猩與黑猩猩之間的DNA相似度為99.7~99.9%
在植物界，同一種植物之間，DNA相似度也都在98%以上
雖然不能只透過GC含量精準判斷物種，但可以大幅縮小範圍
題外話
我有一個自然而然的疑惑是
既然知其一就能推得另一個，那為何大家都是說「GC」而非「AT」？
=> 原因是CG的結構更穩定、不易變性，更能提供演化的線索
所以主要就是觀察「GC含量」
CG穩定的原因：C≡G（三個氫鍵）、A=T（兩個氫鍵）
---
如果你和我一樣有強迫症，可以繼續往下閱讀
序列輸入的容錯機制
在讀入序列時，有幾個坑要注意
要預設「使用者可能輸入任何格式」，有空白、特殊字元、不規則的換行符號等情況。
一個好的程式寫法都要可以支援
Description Line 只能有一行。中間要不要空格都可以，能不能有特殊字元都可以。
Sequence Lines 與下一個 Description Line之間要不要換行都可以。
若使用者不小心將資料縮排，也要有防呆功能。
ex: 地獄級測資
>我的序列01
AAAAA
A
A
A
> 我的序列02
CCCC
CCCC
> 我的序列 03
GGGGGGGG
> 神的序列>>>
ATCGATCG
>鬼的序列
>>>
>不小心縮排
TTTT
>
ATGC
（空白標籤不合法，捨棄這段序列）
最終要讀成
"我的序列01"=AAAAAAAA
"我的序列02"=CCCCCCCC
"我的序列 03"=GGGGGGGG
"神的序列>>>"=ATCGATCG
"鬼的序列"=（空）
">>"=（空）
"不小心縮排"=TTTT
健壯的parse程式碼（地獄測資）：
def parse_fasta(data: str) -> dict:
sequences = {}
label = ""
for line in data.strip().splitlines():
line = line.strip() # 縮排防呆
if not line: # 跳過空行
continue
if line.startswith(">"):
label = line[1:].strip() # 去除label頭尾空白
if not label: # 跳過空標籤（不合法）
label = ""
continue
sequences[label] = ""
elif label:
sequences[label] += line
return sequences
data = \
"""
>我的序列01
AAAAA
A
A
A
> 我的序列02
CCCC
CCCC
> 我的序列 03
GGGGGGGG
> 神的序列>>>
ATCGATCG
>鬼的序列
>>>
>不小心縮排
TTTT
>
ATGC
（空白標籤不合法，應捨棄這段序列）
"""
seqs = parse_fasta(data)
print(seqs)
完整程式碼（改寫成function）
def parse_fasta(data: str) -> dict:
sequences = {}
label = ""
for line in data.strip().splitlines():
line = line.strip() # 縮排防呆
if not line: # 跳過空行
continue
if line.startswith(">"):
label = line[1:].strip() # 去除label頭尾空白
if not label: # 跳過空標籤（不合法）
label = ""
continue
sequences[label] = ""
elif label:
sequences[label] += line
return sequences
def get_gc_content(seq):
total = seq.count("A") + seq.count("C") + seq.count("G") + seq.count("T")
if total == 0:
return 0
gc_content = (seq.count("G") + seq.count("C")) / total * 100
return gc_content
def find_highest_gc(fasta_str):
sequences = parse_fasta(fasta_str)
max_gc_label, max_gc_ratio = "", 0
for label, sequence in sequences.items():
gc_content = get_gc_content(sequence)
if gc_content > max_gc_ratio:
max_gc_label, max_gc_ratio = label, gc_content
return max_gc_label, max_gc_ratio
data = """
>Rosalind_6404
CCTGCGGAAGATCGGCACTAGAATAGCCAGAACCGTTTCTCTGAGGCTTCCGGCCTTCCC
TCCCACTAATAATTCTGAGG
>Rosalind_5959
CCATCGGTAGCGCATCCTTAGTCCAATTAAGTCCCTATCCAGGCGCTCCGCCGAAGGTCT
ATATCCATTTGTCAGCAGACACGC
>Rosalind_0808
CCACCCTCGTGGTATGGCTAGGCATTCAGGAACCGGAGAACGCTTCAGACCAGCCCGGAC
TGGGAACCTGCGGGCAGTAGGTGGAAT
"""
label, gc_ratio = find_highest_gc(data)
print(label)
print(f"{gc_ratio:.6f}")
