如何使用 biopython 提取和 trim fasta 序列

How to extract and trim the fasta sequence using biopython

大家好,我是 python 的新手,正在努力使用 biopython.I 完成一项小任务,有两个文件 - 一个包含 ID 列表和关联的 number.eg

id.txt

tr_F6LMO6_F6LMO6_9LE  25
tr_F6ISE0_F6ISE0_9LE  17
tr_F6HSF4_F6HSF4_9LE  27
tr_F6PLK9_F6PLK9_9LE  19
tr_F6HOT8_F6HOT8_9LE  29

第二个文件包含下面的大型 fasta sequences.eg

fasta_db.fasta

    >tr|F6LMO6|F6LMO6_9LEHG Transporter
    MLAPETRRKRLFSLIFLCTILTTRDLLSVGIFQPSHNARYGGMGGTNLAIGGSPMDIGTN
    PANLGLSSKKELEFGVSLPYIRSVYTDKLQDPDPNLAYTNSQNYNVLAPLPYIAIRIPIT
    EKLTYGGGVYVPGGGNGNVSELNRATPNGQTFQNWSGLNISGPIGDSRRIKESYSSTFYV

   >tr|F6ISE0|F6ISE0_9LEHG peptidase domain protein OMat str.  
    MPILKVAFVSFVLLVFSLPSFAEEKTDFDGVRKAVVQIKVYSQAINPYSPWTTDGVRASS
    GTGFLIGKKRILTNAHVVSNAKFIQVQRYNQTEWYRVKILFIAHDCDLAILEAEDGQFYK

   >tr|F6HSF4|F6HSF4_9LEHG hypothetical protein,  
    MNLRSYIREIQVGLLCILVFLMSLYLLYFESKSRGASVKEILGNVSFRYKTAQRKFPDRM
    LWEDLEQGMSVFDKDSVRTDEASEAVVHLNSGTQIELDPQSMVVLQLKENREILHLGEGS


   >tr|F6PLK9|F6PLK9_9LEHG Uncharacterized protein mano str. 
   MRKITGSYSKISLLTLLFLIGFTVLQSETNSFSLSSFTLRDLRLQKSESGNNFIELSPRD
   RKQGGELFFDFEEDEASNLQDKTGGYRVLSSSYLVDSAQAHTGKRSARFAGKRSGIKISG

我想将第一个文件的 id 与第二个文件进行匹配,并在删除长度(从 1 到 25,在 eq 中)后在新文件中打印那些匹配的序列。

例如输出[25(与id相关联的值,第一个文件),当id匹配时aa从开头移除]。

fasta_pruned.fasta

>tr|F6LMO6|F6LMO6_9LEHG Transporter     
LLSVGIFQPSHNARYGGMGGTNLAIGGSPMDIGTNPANLGLSSKKELEFGVSL
PYIRSVYTDKLQDPDPNLAYTNSQNYNVLAPLPYIAIRIPITEKLTYGGGVYV
PGGGNGNVSELNRATPNGQTFQNWSGLNISGPIGDSRRIKESYSSTFYV

Biopython 食谱让我难以理解 python programming.Thanks 的任何帮助。

我试过了,结果搞砸了。在这里。

from Bio import SeqIO
from Bio import Seq

f1 = open('fasta_pruned.fasta','w')


lengthdict = dict() 
with open("seqid_len.txt") as seqlengths:
    for line in seqlengths:
        split_IDlength  = line.strip().split(' ')
        lengthdict[split_IDlength[0]] = split_IDlength[1]


with open("species.fasta","rU") as spe:
    for record in SeqIO.parse(spe,"fasta"):
        if record[0] == '>' :
            split_header = line.split('|')
            accession_ID = split_header[1]
            if accession_ID in lengthdict:
                f1.write(str(seq_record.id) + "\n")
                f1.write(str(seq_record_seq[split_IDlength[1]-1:]))



f1.close()

您的代码几乎包含所有内容,除了一些阻止它提供所需输出的小东西:

  • 您的文件 id.txt 在 ID 和位置之间有两个空格。你取第二个元素,在这种情况下它是空的。
  • 读取文件时,它被解释为字符串,但您希望位置为整数

    lengthdict[split_IDlength[0]] = int(split_IDlength[-1])
    
  • 您的 ID 非常相似但不完全相同,唯一相同的部分是可用于映射两个文件的 6 个字符标识符(在您认为它有效之前仔细检查)。具有相同的键使映射更容易。

    f1 = open('fasta_pruned.fasta', 'w')
    
    fasta = dict()
    with open("species.fasta","rU") as spe:
        for record in SeqIO.parse(spe, "fasta"):
            fasta[record.id.split('|')[1]] = record
    
    lengthdict = dict() 
    with open("seqid_len.txt") as seqlengths:
        for line in seqlengths:
            split_IDlength  = line.strip().split(' ')
            lengthdict[split_IDlength[0].split('_')[1]] = int(split_IDlength[1])
    
    for k, v in lengthdict.items():
        if fasta.get(k) is None:
            continue
        print('>' + k)
        print(fasta[k].seq[v:])
        f1.write('>{}\n'.format(k))
        f1.write(str(fasta[k].seq[v:]) + '\n')
    
    f1.close()
    

输出:

>F6LMO6
LLSVGIFQPSHNARYGGMGGTNLAIGGSPMDIGTNPANLGLSSKKELEFGVSLPYIRSVYTDKLQDPDPNLAYTNSQNYNVLAPLPYIAIRIPITEKLTYGGGVYVPGGGNGNVSELNRATPNGQTFQNWSGLNISGPIGDSRRIKESYSSTFYV
>F6ISE0
LPSFAEEKTDFDGVRKAVVQIKVYSQAINPYSPWTTDGVRASSGTGFLIGKKRILTNAHVVSNAKFIQVQRYNQTEWYRVKILFIAHDCDLAILEAEDGQFYK
>F6HSF4
YFESKSRGASVKEILGNVSFRYKTAQRKFPDRMLWEDLEQGMSVFDKDSVRTDEASEAVVHLNSGTQIELDPQSMVVLQLKENREILHLGEGS
>F6PLK9
IGFTVLQSETNSFSLSSFTLRDLRLQKSESGNNFIELSPRDRKQGGELFFDFEEDEASNLQDKTGGYRVLSSSYLVDSAQAHTGKRSARFAGKRSGIKISG
>F6HOT8