使用Biopython的翻译功能后，如何跟踪起始密码子（ATG）在核苷酸序列中的位置？

Question

我有一个包含一堆序列的 FASTA 文件，格式如下：

BMRat|XM_008846946.1 ATGAAGAACATCACAGAAGCCACCACCTTCATTCTCAAGGGACTCACAGACAATGTGGAACTACAGGTCA TCCTCTTTTTTCTCTTTCTAGCGATTTATCTCTTCACTCTCATAGGAAATTTAGGACTTATTATTTTAGT TATTGGGGATTCAAAACTCCACAACCCTATGTACTGTTTTCTGAGTGTATTGTCTTCTGTAGATGCCTGC TATTCCTCAGACATCACCCCGAATATGTTAGTAGGCTTCCTGTCAAAAAACAAAGGCATTTCTCTCCATG GATGTGCAACACAGTTGTTTCTCGCTGTTACTTTTGGAACCACAGAATGCTTTCTGTTGGCGGCAATGGC TTATGACCGCTATGTAGCCATCCATGACCCACTTCTCTATGCAGTGAGCATGTCACCAAGGATCTATGTG CCGCTCATCATTGCTTCCTATGCTGGTGGAATTCTGCATGCGATTATCCACACCGTGGCCACCTTCAGCC TGTCCTTCTGTGGATCTAATGAAATCAGTCATATATTCTGTGACATCCCTCCTCTGCTGGCTATTTCTTG TTCTGACACTTACATCAATGAGCTCCTGTTGTTCTTCTTTGTGAGCTCCATAGAAATAGTCACTATCCTC ATCATCCTGGTCTCTTATGGTTTCATCCTTATGGCCATTCTGAAGATGAATTCAGCTGAAGGGAGGAGAA AAGTCTTCTCTGCATGTGGGTCTCACCTAACTGGAGTGTCCATTTTCTATGGGACAAGCCTTTTCATGTA TGTGAGACCAAGCTCCAACTATTCCTTGGCACATGACATGGTAGTGTCGACATTTTATACCATTGTGATT CCCATGCTGAACCCTGTCATCTACAGTCTGAGGAACAAAGATGTGAAAGAGGCAATGAGAAGATTTTTGA AGAAAAATTTTCAGAAACTTTAA

使用 biopython http://biopython.org/wiki/Seq 实现的代码允许我找到 FASTA 文件中每个序列的最长氨基酸序列，该序列以甲硫氨酸开头并以终止密码子结尾。

函数为find_largest_polypeptide_in_DNA。基本上它使用 3 个不同的正向阅读框将 DNA 序列翻译成氨基酸序列，并且在变量 allPossibilities 中它保存以 M（特定氨基酸）开头并以终止密码子结尾的片段。然后它比较可能性的长度并选择最长的可能性，返回该片段的蛋白质序列。

def find_largest_polypeptide_in_DNA(seq, translationTable=1):
    allPossibilities = []
    for frame in range(3):
        trans = str(seq[frame:].translate(translationTable))
        framePossibilitiesF = [i[i.find("M"):] for i in trans.split("*") if "M" in i]
        allPossibilities += framePossibilitiesF
    allPossibilitiesLengths = [len(i) for i in allPossibilities]

    if len(allPossibilitiesLengths) == 0:
        raise Exception("no candidate ORFs")

    proteinAsString = allPossibilities[allPossibilitiesLengths.index(max(allPossibilitiesLengths))]

    return Seq(proteinAsString, alphabet=ProteinAlphabet)

它运行完美，但现在我想获得与函数返回的蛋白质序列相对应的 DNA 序列。我需要在函数中添加一些行才能获得两个序列，但我真的不知道该怎么做。我不知道是否可以跟踪 i.find("M") 中每个甲硫氨酸的位置，然后使用该位置在核苷酸序列中跟踪它。

谢谢。

Answer 1

我认为按照类似的原则编写一个新函数是最容易的。你的想法"to track the position of each Methionine of the i.find('M')"基本上就是下面所做的。使用您开始使用的代码执行此操作的困难在于序列被 split('*') 切碎，因此 DNA 起始位置是阅读框偏移量加上片段之前的所有密码子的总和关心的顺序。根据您的说明，我添加了一个封闭循环来遍历向前和向后的方向。

def find_largest_polypeptide_in_DNA(seq, translationTable=1):
    # Set the record to start with, then try to beat it
    longest_DNA = ''
    longest_amino_acid_sequence = 0

    for direction in [-1, 1]:
        forward_DNA = seq[::direction]
        # Check all three reading frames in this direction.
        for frame in range(3):
            trans = str(forward_DNA[frame:].translate(translationTable))
            cut_codons = 0
            while 'M' in trans:
                codons_before_Met = trans.find('M')
                cut_codons += codons_before_Met
                trans = trans[codons_before_Met:]
                if '*' in trans:
                    length = trans.find('*') + 1 
                    if length > longest_amino_acid_sequence:
                        longest_amino_acid_sequence = length
                        first_bp = frame + 3*cut_codons
                        last_bp = frame + 3*cut_codons + 3*(length)
                        longest_DNA = str(forward_DNA[first_bp:last_bp+1])
                    trans = trans[length:]
                else:
                    # Ignore sequence M... if ORF extends beyond FASTA?
                    trans = ''
    return longest_DNA

使用Biopython的翻译功能后，如何跟踪起始密码子（ATG）在核苷酸序列中的位置？

How to track the position of a start codon (ATG) in a nucleotide sequence after using the translate function of Biopython?

python

sequence

dna-sequence

biopython