根据 python 中的数据框重命名 fasta 文件

Question

您好，我有一个很大的文件，例如：

>Seq1.1
AAAGGAGAATAGA
>Seq2.2
AGGAGCTTCTCAC
>Seq3.1
CGTACTACGAGA
>Seq5.2
CGAGATATA
>Seq3.1
CGTACTACGAGA
>Seq2
AGGAGAT

和一个数据框，例如：

选项卡

query  New_query
Seq1.1 Seq1.1
Seq2.2 Seq2.2
Seq3.1 Seq3.1_0
Seq5.2 Seq5.2_3
Seq3.1 Seq3.1_1

想法是根据tab重命名>Seqname。

然后对于每个 Seqname，如果 tab['query'] != tab['New_query']，则将 Seqname 重命名为 tab['New_query']

Ps: 所有的 >Seqname 都没有出现在选项卡中，如果是这样我什么都不做。

然后我应该得到一个新的 fasta 文件，例如：

 >Seq1.1
    AAAGGAGAATAGA
    >Seq2.2
    AGGAGCTTCTCAC
    >Seq3.1_0
    CGTACTACGAGA
    >Seq5.2_3
    CGAGATATA
    >Seq3.1_1
    CGTACTACGAGA
    >Seq2
    AGGAGAT

我试过这段代码：

records = SeqIO.parse("My_fasta_file.aa", 'fasta')
for record in records:
    subtab=tab[tab['query']==record.id]
    subtab=subtab.drop_duplicates(subset ="New_query",keep = "first") 
    if subtab.empty == True: #it means that the seq was not in the tab, so I do not rename the sequence. 
        continue
    else:
        if subtab['query'].iloc[0] != subtab['New_query'].iloc[0]:
            record.id = subtab['New_query']
            record.description = subtab['New_query']
        else:
            continue

它有效，但需要很多时间...

Answer 1

您可以从数据帧创建映射器字典，然后逐行读取 fasta 文件，替换以 >:

开头的行

mapper = tab.set_index('query').to_dict()['New_query']

with open('My_fasta_file.aa', 'r') as f_in, open('output.txt', 'w') as f_out:
    for line in map(str.strip, f_in):
        if line.startswith('>'):
            v = line.split('>')[-1]
            line = '>{}'.format(mapper.get(v, v))
        print(line, file=f_out)

创建 output.txt:

>Seq1.1
AAAGGAGAATAGA
>Seq2.2
AGGAGCTTCTCAC
>Seq3.1_1
CGTACTACGAGA
>Seq5.2_3
CGAGATATA
>Seq3.1_1
CGTACTACGAGA
>Seq2
AGGAGAT

Answer 2

@Andrej 使用字典的解决方案确实是可行的方法。由于您已经在使用 biopython，下面是一种使用方法，我认为它可能很好，因为它确实可以正确处理 fasta 文件..

您的 data.frame 是：

tab = pd.DataFrame({'query':['Seq1.1','Seq2.2','Seq3.1','Seq5.2','Seq3.1'],
'New_query':['Seq1.1','Seq2.2','Seq3.1_0','Seq5.2_3','Seq3.1_1']})

与 Andrej 相同的词典：

mapper = tab.set_index('query').to_dict()['New_query']

然后类似于你所做的，我们只是改变header（通过更新id和描述，感谢@Chris_Rands）：

records = list(SeqIO.parse("My_fasta_file.aa", "fasta"))
for i in records:
    i.id = mapper.get(i.id,i.id)
    i.description = mapper.get(i.description,i.description)

现在写入文件：

with open("new.fasta", "w") as output_handle:
    SeqIO.write(records, output_handle, "fasta")

根据 python 中的数据框重命名 fasta 文件

Rename fasta file according to a dataframe in python

python

biopython

pandas