Proteins match challenge

Definição do problema

Uma demanda frequente em Bioinformática é o cruzamento de base de dados (cross-reference) para encontrar coisas em comum. Este desafio consiste em comparar dois conjuntos de dados, que contém nomes de proteínas, procurando por similaridades entre elas. O primeiro conjundo de dados (dataset A) contém proteínas de um experimento das quais deseja-se encontrar suas referências. O segundo conjunto (dataset B) consiste em uma base curada de dados que será utilizado como referência.

Regras

O intuito é buscar no dataset B as possíveis referêcias para proteínas do dataset A, levando em consideração as seguintes regras:

Pré-similaridade

• Devem ser igonadas quaisquer palavras com 3 ou menos caracteres.
• Devem ser ignorados caracteres alfanuméricos.
• Devem ser ignorados todos os caracteres especiais.
• Devem ser igonorados quaiser palavras dentro de colchetes ([]).
• Devem ser desconsideradas quaisquer proteínas que contenham a palavra hypothetical em seu nome.

Similaridade

• As proteínas devem ser comparadas de acordo com a quantidade de palavras em comum que elas possuem.
• Se qualquer uma das keyswords tiverem uma quantidade nula de palavras a similaridede deve ser 0.
• O tamanho do maior nome não pode interferir na comparação
• A ordem de comparação não é importante, ou seja, os conjuntos A1 = ('foo', 'bar', 'foobar') e B1 = ('barfoo','bar') têm similaridade de 0.5, assim como A2 = ('foo', 'foobar') e B2 = ('barfoo','bar','foo','barbar').

Desempate

• Proteínas que contenham a palavra putative são menos importante do que as que não possuem.
• Proteínas que contenham a palavra predicted são menos importante do que as que não possuem.
• Proteínas que contenham a palavra predicted são menos importante do que as que possuem a palavra putative.

Funções a serem implementadas

• s0_load_file: Carrega um arquivo no formato de tabela a partir do disco rígido e retorna os nomes das proteínas de uma determinada coluna do arquivo.

• s1_pre_process_name: Realiza o pré-processamento do nome de protínas, segundo as regras de pré-similaridade especificadas acima. Retorna um conjunto de palavras chaves que representa a proteína.

• s2_find_match: Realiza a comparação de dois conjutos de palavras chaves (keys_a e keys_b), segundo as regras de similaridade . keys_a e keys_b são referentes as palavras chaves das proteínas do dataset A e B, respectivamente. Retorna um valor entre 0 e 1 representando a similaridade entre elas, sendo:

  • 0: nada similar e;
  • 1: totalmente similar (ou uma está contida na outra).

• s3_compare_match: Aplica as regras de desempate entre as keywords do dataset (keys_a e keys_b), segundo as regras de desempate. Retorna um valor inteiro que representa o pareamento de ambas. Sendo:

  • 0: totalmente pareadas;
  • menor que 0: keys_a tem maior valor que keys_b e;
  • maior que 0: keys_a tem menor valor que keys_b;

O que se espera

• O problema deve ser resolvido utilizando a linguagem de programação Python (versão 3.5 ou mais recente).
• Devem ser utilizadas apenas funções ou módulos nativos do Python, incluindo Built-in Functions, String Methods, CSV File Reading and Writing e Regular expression operations.
• Espera-se que sejam propostas abordagens escaláveis para o processamento de um grande input de dados . (Dica: a partir da versão 3, a funções map retorna um iterator ao invés de uma lista, o que pode tornar sua utilização mais otimizada).

Execução

Para testar a respostas execute no diretório raiz:

python3.x run.py test

Para executar a aplicação, execute:

python3.x run.py