在字符串中查找基序和删除目标序列的 Biopython 问题

Question

你好，我有一个很大的 FASTA 文件，看起来像这样

>EMBOSS_001
GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT
>EMBOSS_002
CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003
CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004
CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我想找到所有具有特定基序的序列并消除它们例如，如果主题是 TTTCCC，则预期输出应为：

>EMBOSS_002 CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003 CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004 CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我用Biopython写了一段代码：

from Bio.Seq import Seq
import Bio.motifs as motifs
from Bio import SeqIO

instances = [Seq("TTTCCC")]
m = motifs.create(instances)

reads = list(SeqIO.parse("/Users/EMBOSS-6.6.0/emboss/genome.fa", "fasta"))

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print("%i %s" % (pos, seq))

然而 return 我只知道图案开始位置的信息，11 TTTCCC 我还想 return 找到它的序列的信息： EMBOSS_001 11 TTTCCC 此外，我希望代码能够消除发现基序的那个序列。

此外，我无法删除找到主题的字符串并将其写入输出

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

Answer 1

我无法在本地测试这个，但我会用一些代码来解释你如何解决这个问题。

如果文件结构如您所提到的，那么您可以得出的一点是，在检查实例的地方，它们发生在偶数行上（比如 n），它们代表的序列只是 n-1。因此，为了让您以这种格式输出 EMBOSS_001 11 TTTCCC - 最简单的方法是使用索引 i 作为计数器并确定序列。

例如：reads[i-1] 将为您提供 FASTA GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT 的序列 >EMBOSS_001。要删除 >，请将其设置为 reads[i-1][1:]。

找到motif TTTCCC时要消除seq，有很多方法可以做到这一点。最简单的方法是对 python 列表对象使用 del 方法。这将简单地删除序列和出现主题的元素。

这很容易完成，这就是更改在您的代码中的样子

for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i-1][1:],pos, seq))#should print in format EMBOSS_001 11 TTTCCC
        del reads[i-1:i]

这应该有望解决它。如果您遇到任何错误，请告诉我。

编辑： 我最初的写作意图应该是这样的 - 还添加了一个 break 语句，看看它是否解决了问题。

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        break 
SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

一旦发现基序，就会消除该序列。这意味着现在应该只将没有图案的字符串写入 SeqIO.write() 方法。

Answer 2

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        seq_rem = str(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        reads_dict = SeqIO.to_dict(reads)
        seq_rem = seq_rem.splitlines()[0][5:]
del reads_dict[seq_rem]
SeqIO.write(reads_dict.values(), "/Users/EMBOSS-6.6.0/emboss/results10.fa", "fasta")

我已经设法想出了这样的方法

在字符串中查找基序和删除目标序列的 Biopython 问题

Biopython issue in finding motifs in strings and deleting target sequence

python

biopython