通过已知序列从fasta文件中提取序列和header

Question

我正在尝试比较两个文件并提取具有其他文件子集的序列。而且，我也想提取标识符。但是，我能做的是能够提取包括子集的序列。示例文件是：

text.fa
>header1
ETTTHAASCISATTVQEQ*TLFRLLP
>header2
SKSPCSDSDY**AAA
>header3
SSGAVAAAPTTA

并且，

textref.fa
>textref.fa
CISA
AAAP
AATP

当我运行代码时，我有这个输出：

ETTTHAASCISATTVQEQ*TLFRLLP
SSGAVAAAPTTA

但是，我的预期输出是 headers:

>header1
ETTTHAASCISATTVQEQ*TLFRLLP
>header3
SSGAVAAAPTTA

我的代码分为两部分，首先我用这些序列创建文件，然后我尝试用它们的 headers 从原始 fasta 文件中提取它们：

def get_nucl(filename):
    with open(filename,'r') as fd:
        nucl = []
        for line in fd:
            if line[0]!='>':
                nucl.append(line.strip())
        return nucl
def finding(filename,reffile):
        nucl = get_nucl(filename)
        with open(reffile,'r') as reffile2:
            for line in reffile2:
                for element in nucl:
                    if line.strip() in element:
                            yield(element)



    with open('sequencesmatched.txt','w') as output:
            results = finding('text.fa','textref.fa',)
            for res in results:
                print(res)
                output.write(res + '\n')

因此，在这个 sequencesmatched.txt 中，我有 text.fa 的序列，其中包含 textref.fa 的子字符串。如：

ETTTHAASCISATTVQEQ*TLFRLLP
SSGAVAAAPTTA

所以在另一部分，检索相应的 headers 和这些序列：

    def finding(filename,seqfile):
        with open(filename,'r') as fastafile:
                with open(seqfile,'r') as sequf:
                        alls=[]
                        for line in fastafile:
                                alls.append(line.strip())
                        print(alls)
                        sequfs = []
                        for line2 in sequf:
                                sequfs.append(line2.strip())
                                if str(line.strip()) == str(line2.strip()):
                                        num = alls.index(line.strip())
                                        print(alls[num-1] + line)


print(finding('text.fa','sequencesmatched.txt'))

但是，作为输出，我只能检索一个序列，即第一个匹配项：

>header1
ETTTHAASCISATTVQEQ*TLFRLLP

也许我可以在没有第二个文件的情况下做到这一点，但我无法进行正确的循环来获取序列及其各自的 headers。因此，我走了很远的路..

如果你能帮上忙，我会很高兴！

Answer 1

如果您的文件始终具有相同的结构，您可以做一些更容易的事情：

def get_nucl(filename):
    with open(filename, 'r') as fd:
        headers = {}
        key = ''
        for line in fd.readlines():    
            if '>' in line:
                key = line.strip()[1:] # to remove the '>'
            else:
                headers[key] = line.strip()

    return headers

这里我假设您的文件以“>headern”开头，否则您必须添加一些测试。现在你有了像 headers['header1'] = 'ETTTHAASCISATTVQEQ*TLFRLLP'.

这样的字典

所以现在要查找匹配项，您只需使用该字典即可：

def finding(filename, reffile):
    headers = get_nucl(filename)
    with open(reffile, 'r') as f:
        matches = {}
        for line in f.readlines():
            for key, value in headers.items():
                if line.stip() in value and key not in matches:
                    matches[key] = value

    return matches

所以当你有一个带有 header 匹配它们的值的字典时，如果你有一个子字符串，你可以只检查字典，并且你已经有 header 值作为键.

刚刚看到你做了 print(finding(....) ，你的函数已经打印了，所以就调用它吧。

通过已知序列从fasta文件中提取序列和header

Extracting sequence and header from fasta file by known sequences

python

indexing

fasta