使用条件匹配一行中的多个模式

Question

我有一个这样的fasta文件： myfasta.fasta

>1_CDS
AAAAATTTCTGGGCCCCGGGGG
AAATTATTA
>2_CDS
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>3_CDS
TTTGGGAATTAAACCCT
>4_CDS
TTTGGGAATTAAACCCT
>5_rRNA
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>6_tRNA
TTAAAAATTTCTGGGCCCCGGGAAAAAA

我有一个代码，我想使用它来根据具有匹配模式（如 'CDS'、'tRNA' 等）的 ID 来分隔序列。在下面的代码中，我尝试使用 startswith并且还匹配似乎不起作用的行中的模式。有人可以帮我如何在 python.

中查找两个条件吗

代码：python mycode.py myfasta.fasta

#!/usr/bin/env python
import sys
import os
myfasta = sys.argv[1]
fasta = open(myfasta)

for line in fasta:
    if line.startswith('>') and 'CDS' in line:
        print(line)
    else:
        print(line)

预期输出（如果我使用 CDS）：

>1_CDS
AAAAATTTCTGGGCCCCGGGGG
AAATTATTA
>2_CDS
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>3_CDS
TTTGGGAATTAAACCCT
>4_CDS
TTTGGGAATTAAACCCT

Answer 1

这是适合您的代码。如果一行有 CDS，它会打印该行和下一行。 strip() 在打印该行时删除结束符。

#!/usr/bin/env python
import sys
import os
myfasta = sys.argv[1]

flag = False
with open(myfasta) as fasta:
    for line in fasta:
        if line.startswith('>') and 'CDS' in line:
            flag = True
        elif line.startswith('>'):
            flag = False
        if flag:
            print(line.strip())

编辑：可以去掉elif部分，如下代码：

#!/usr/bin/env python
import sys
import os
myfasta = sys.argv[1]

flag = False
with open(myfasta) as fasta:
    for line in fasta:
        if line.startswith('>'):
            flag = 'CDS' in line
        if flag:
            print(line.strip())

Answer 2

这是你想要的吗？

#!/usr/bin/env python
import sys
import os
from collections import defaultdict

myfasta = sys.argv[1]
with open(myfasta) as fasta:
    data = fasta.read().splitlines()

pattern_data = defaultdict(list)
index = 0
while index < len(data):
    if data[index].startswith('>'):
        start = data[index].index('_') + 1
        key = data[index][start:]
        pattern_data[key].append(data[index + 1])
    index += 2

此时您可以随意对排序后的数据进行任何操作。

以上假定您解析的整个文件完全遵循上面显示的格式：1 行以“>”开头，id 是后面的单行。如果后面有多行，则代码需要稍作修改。

编辑：我刚刚阅读了 fasta 文件。我现在知道，它们在被识别后实际上可能有超过一行的序列。所以上面的代码确实需要修改以考虑多行序列。更通用的做法如下：

#!/usr/bin/env python
import sys
import os
from collections import defaultdict

myfasta = sys.argv[1]
with open(myfasta) as fasta:
    data = fasta.read().splitlines()

id_line_indices = [index for index, line in enumerate(data) if line.startswith('>')]
id_line_indices.append(len(data))
pattern_buckets = defaultdict(list)

i = 0
while i < len(id_line_indices) - 1:
    start = data[id_line_indices[i]].index('_') + 1
    key = data[id_line_indices[i]][start:]

    sequence = [data[index] for index in range(id_line_indices[i] + 1, id_line_indices[i + 1])]
    sequence = ''.join(sequence)

    pattern_buckets[key].append(sequence)
    i += 1

对于上面的数据集，仍然可以得到相同的结果。例如，

print(pattern_buckets['CDS'])
print(pattern_buckets['rRNA'])

会给你：

['AAAAATTTCTGGGCCCCGGGGG', 'TTAAAAATTTCTGGGCCCCGGGAAAAAA', 'TTTGGGAATTAAACCCT', 'TTTGGGAATTAAACCCT']
['TTAAAAATTTCTGGGCCCCGGGAAAAAA']

Answer 3

Maanijou 的回答很好。

另外，考虑使用迭代器的替代方案。

编辑：根据您的意见更新了代码

#!/usr/bin/env python
import sys
import os
myfasta = sys.argv[1]
fasta = open(myfasta, "r+")

file_contents = iter(fasta)

try:
    print_flag = True
    while True:
        line = file_contents.next()
        if line.startswith('>'):
            if "CDS" in line:
                print (line.strip())
                print_flag = True
            else:
                print_flag = False
        else:
            if print_flag:
                print (line.strip())

except StopIteration:
    print ("Done")
    fasta.close()

说明

file_contents = iter(fasta) 将可迭代文件 object 转换为一个迭代器，你可以简单地继续调用 next() 直到你运行没有东西可以读

为什么我不建议像其他一些答案那样调用 readlines 是因为有时 fasta 文件可能很大并且调用 readlines 会消耗大量内存。

如果一行满足您的搜索要求，您只需打印它和下一行，否则您只需阅读下一行而不做任何事情，

更新说明

由于文件模式，你得到了属性错误，我无法在本地重现它，但我认为用正确的模式打开文件应该可以解决这个问题
您现在说 CDS 的基因组序列可能不止 1 个更新了代码以打印文件中 1 CDS header 的所有基因组序列

我用修改过的 fasta 文件测试过它

>1_CDS
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGCG
>2_CDS
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>3_CDS
TTTGGGAATTAAACCCT
>4_CDS
TTTGGGAATTAAACCCT
>5_rRNA
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>6_tRNA
TTAAAAATTTCTGGGCCCCGGGAAAAAA

而这个输出

python fasta.py fasta.fasta
>1_CDS
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGGG
AAAAATTTCTGGGCCCCGGGCG
>2_CDS
TTAAAAATTTCTGGGCCCCGGGAAAAAA
>3_CDS
TTTGGGAATTAAACCCT
>4_CDS
TTTGGGAATTAAACCCT
Done

使用条件匹配一行中的多个模式

Using conditions to match multiple patterns within a line

python

bioinformatics

fasta

编辑：根据您的意见更新了代码

说明

更新说明