Python: 如何根据序列碱基而不是它们的 header 名称去除序列？

Question

我想根据序列成分扣除两个文件，而不是使用 header 名称来删除序列。还有其他方法可以扣除序列吗？谁能帮我？如果下面的 fasta header 被替换为 >human 那么下面的代码将无法运行。

代码

from Bio import SeqIO

input_file = 'a.fasta'
merge_file = 'original.fasta'
output_file = 'results.fasta'
exclude = set()
fasta_sequences = SeqIO.parse(open(input_file),'fasta')
for fasta in fasta_sequences:
    exclude.add(fasta.id)

fasta_sequences = SeqIO.parse(open(merge_file),'fasta')
with open(output_file, 'w') as output_handle:
   for fasta in fasta_sequences:
        if fasta.id not in exclude:
            SeqIO.write([fasta], output_handle, "fasta")

a.fasta

>chr12:15747942-15747949
TGACATCA
>chr2:130918058-130918065
TGACCTCA

original.fasta

>chr3:99679938-99679945
TGACGTAA
>chr9:135822160-135822167
TGACCTCA
>chr12:15747942-15747949
TGACATCA
>chr2:130918058-130918065
TGACCTCA
>chr2:38430457-38430464
TGACCTCA
>chr1:112381724-112381731
TGACATCA

results.fasta

>chr3:99679938-99679945
TGACGTAA
>chr9:135822160-135822167
TGACCTCA
>chr2:38430457-38430464
TGACCTCA
>chr1:112381724-112381731
TGACATCA

Answer 1

您可以相互核对序列。不过要小心，序列可能不是 100% 匹配的，它们需要是这种方法才能给你想要的结果。使用 str(your_obj.seq).

访问序列

在您的代码中，在此处实施更改：

for fasta in fasta_sequences:
    exclude.add(str(fasta.seq))

这里：

for fasta in fasta_sequences:
        if str(fasta.seq) not in exclude:

在您的示例中，您应该注意 results.fasta 文件将仅包含以下行，因为它是 original.fasta 中唯一与 [=16= 中的序列不匹配的序列].

>chr3:99679938-99679945
TGACGTAA

Python: 如何根据序列碱基而不是它们的 header 名称去除序列？

Python: How to get rid of the sequences according to the sequence bases rather than their header name?

python

sequence

bioinformatics

biopython

fasta