in python 循环打印来自交替文件的行

Question

我正在尝试使用 python 在两个单独的文件中找到感兴趣的四行块，然后按受控顺序打印出其中一些行。下面是两个输入文件和所需输出文件的示例。请注意，Input.fasta 中的 DNA 序列与 Input.fastq 中的 DNA 序列不同，因为 .fasta 文件已被读取更正。

Input.fasta

>read1
AAAGGCTGT
>read2
AGTCTTTAT
>read3
CGTGCCGCT

Input.fastq

@read1
AAATGCTGT
+
'(''%$'))
@read2
AGTCTCTAT
+
&---+2010
@read3
AGTGTCGCT
+
0-23;:677

DesiredOutput.fastq

@read1
AAAGGCTGT
+
'(''%$'))
@read2
AGTCTTTAT
+
&---+2010
@read3
CGTGCCGCT
+
0-23;:677

基本上我需要顺序行"AAAGGCTGT", "AGTCTTTAT" 和 "input.fasta" 中的 "CGTGCCGCT" 以及 "input.fastq" 中的所有其他行。这允许将质量信息恢复到读取更正的 .fasta 文件。

这是我最接近的失败尝试：

fastq = open(Input.fastq, "r")
fasta = open(Input.fasta, "r")

ReadIDs = []
IDs = []

with fastq as fq:
    for line in fq:
        if "read" in line:  
            ReadIDs.append(line)
            print(line.strip())
            for ID in ReadIDs:
                IDs.append(ID[1:6])
            with fasta as fa:
                for line in fa:
                    if any(string in line for string in IDs):
                        print(next(fa).strip())
            next(fq)
            print(next(fq).strip())
            print(next(fq).strip())

我想我运行遇到了麻烦，因为我试图在同一个循环中嵌套 "with" 对两个不同文件的调用。这会正确打印 read1 所需的行，但不会继续遍历其余行并引发错误 "ValueError: I/O operation on closed file"

Answer 1

我喜欢 @Chris_Rands 的更适合小文件，但这里有一个解决方案，它只使用 Python 附带的电池，并且内存效率高。它假设 fasta 和 fastq 文件以相同的顺序包含相同数量的读取。

with open('Input.fasta') as fasta, open('Input.fastq') as fastq, open('DesiredOutput.fastq', 'w') as fo:
    for i, line in enumerate(fastq):
        if i % 4 == 1:
            for j in range(2):
                line = fasta.readline()
        print(line, end='', file=fo)

Answer 2

我建议你使用 Biopython，这将为你省去很多麻烦，因为它为这些文件格式提供了很好的解析器，它不仅可以处理标准情况，还可以处理例如 multi-line fasta .

这里是一个用相应的fasta序列行替换fastq序列行的实现：

from Bio import SeqIO

fasta_dict = {record.id: record.seq for record in
              SeqIO.parse('Input.fasta', 'fasta')}

def yield_records():
    for record in SeqIO.parse('Input.fastq', 'fastq'):
        record.seq = fasta_dict[record.id]
        yield record

SeqIO.write(yield_records(), 'DesiredOutput.fastq', 'fastq')

如果您不想使用 headers 而只是依赖顺序，那么解决方案更简单且内存效率更高（只需确保记录的顺序和数量相同），无需先定义字典，只需一起遍历记录即可：

fasta_records = SeqIO.parse('Input.fasta', 'fasta')
fastq_records = SeqIO.parse('Input.fastq', 'fastq')

def yield_records():
    for fasta_record, fastq_record in zip(fasta_records, fastq_records):
        fastq_record.seq = fasta_record.seq
        yield fastq_record

Answer 3

## Open the files (and close them after the 'with' block ends)
with open("Input.fastq", "r") as fq, open("Input.fasta", "r") as fa:

    ## Read in the Input.fastq file and save its content to a list
    fastq = fq.readlines()

    ## Do the same for the Input.fasta file
    fasta = fa.readlines()


## For every line in the Input.fastq file
for i in range(len(fastq)):
    print(fastq[i]))
    print(fasta[2 * i])
    print(fasta[(2 * i) + 1])

in python 循环打印来自交替文件的行

in python loop print lines from alternating files

python

bioinformatics

fasta

biopython

fastq