仅提取 fasta 序列 python

Question

我想读入一个大文件，其中包含 fasta 序列（1 header 和 header 下方的 1 行序列）以及行与行之间的其他随机垃圾和无组织的间距。

我想读入每一行，如果一行以“>”符号开头，这就是 fasta 序列 header 的开始方式，则将 header 与下一个一起拉出这将是序列的行。

我有一个小示例数据文件要显示：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG


Task 2: Subclone the synthesized

junk 

junk

>4
GCTAGCACCATGGAGACAGAC

我的代码：

f=open("File.fasta", "r")
fastaseq = open("OnlyFastaseq.fasta", "w")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.rstrip()
        seq = f.readline()
        seq = seq.rstrip()
        fastaseq.write(title+"\n"+seq+"\n")

期望输出：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG
>4
GCTAGCACCATGGAGACAGAC

结果包含 header+ 序列的大部分，除了 '>3' 序列，它 没有拉下一行 （这是序列）出去。

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
>4
GCTAGCACCATGGAGACAGAC

Answer 1

您可以通过遍历输入并找到以 > 开头的行来过滤掉那些，然后从输入文件中写入该行和 next，例如：

with open('File.fasta') as fin, open('OnlyFastaseq.fasta', 'w') as fout:
    for line in fin:
        if line.startswith('>'):
            fout.write(line)
            fout.write(next(fin))

Answer 2

您可能想试试 BioPython。它当然可以用 'open' 和一些解析来完成，但是 BioPython 有很多其他功能。要一次阅读一个序列，您可以使用。

from Bio import SeqIO
fastaFile = "foo.fasta"
handle = open(fastaFile,"r")
for record in SeqIO.parse(handle,"fasta"):
    print record.id
handle.close()

有关详细信息，请参阅 SeqIO docs。

Answer 3

以下代码将给出所需的输出。它仅打印以 > 开头的 headers 和有效序列，即仅 ATGC.

f = open("File.fasta", "r")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.strip()
        print(title)
    else:
        seq = line.strip().upper()
        if 0 not in [c in 'ATGC' for c in seq]:
            print(seq)

仅提取 fasta 序列 python

Pulling out only fasta sequences python

python

fasta