使用 Biopython 从 python 中的 .fasta 基因中提取基因起始位置

Question

我有一个包含多个基因的 .fasta 文件。它们都有类似的描述，例如：

>lcl|NZ_LN831034.1_cds_WP_002987659.1_1 [gene=dnaA] [locus_tag=B6D67_RS00005] [db_xref=GeneID:46805773] [protein=chromosomal replication initiator protein DnaA] [protein_id=WP_002987659.1] [location=1..1356] [gbkey=CDS]

我正在尝试提取所有这些基因的基因起始位置（即上例中的“1”）。我尝试了以下代码，但它似乎不起作用。

from Bio import SeqIO
genes = fasta_file.fasta
records = SeqIO.parse(open(genes), 'fasta')
record = next(records)
parts = record.description.split("..")
print(parts[0])

如有任何帮助或资源，我们将不胜感激！

Answer 1

这对我有用。希望对您有所帮助。

import re
from Bio import SeqIO

genes = "fasta_file.fasta"
records = SeqIO.parse(genes, 'fasta')

# fasta_file.fasta file has this line only.
>lcl|NZ_LN831034.1_cds_WP_002987659.1_1 [gene=dnaA] [locus_tag=B6D67_RS00005] [db_xref=GeneID:46805773] [protein=chromosomal replication initiator protein DnaA] [protein_id=WP_002987659.1] [location=1..1356] [gbkey=CDS]

您可以使用 SeqIO.parse(filename, "fasta) 获取记录。要检查这一点，

for record in SeqIO.parse(genes, 'fasta'):
    print(record)

给出如下。 record.description 有字符串信息。

ID: lcl|NZ_LN831034.1_cds_WP_002987659.1_1 Name: lcl|NZ_LN831034.1_cds_WP_002987659.1_1 Description: lcl|NZ_LN831034.1_cds_WP_002987659.1_1 [gene=dnaA] [locus_tag=B6D67_RS00005] [db_xref=GeneID:46805773] [protein=chromosomal replication initiator protein DnaA] [protein_id=WP_002987659.1] [location=1..1356] [gbkey=CDS] Number of features: 0 Seq('', SingleLetterAlphabet())

使用正则表达式获取 "location=" 之后的数字。

ma = re.search("location=(\d+)\.\.\d+", record.description)
ma.groups()[0] # 1

使用 Biopython 从 python 中的 .fasta 基因中提取基因起始位置

Extracting gene starting location from .fasta gene in python using Biopython

python

biopython

genetics