收到 NameError - 如何解决？

Question

我正在做一个项目，我在 nano 中编写的以下代码有问题：

from Bio import SeqIO
import sys
import re 


    fasta_file = (sys.argv[1])
    for myfile in SeqIO.parse(fasta_file, "fasta"):
      if len(myfile) > 250:
       gene_id = myfile.id
       list = re.match('H149xcV\_\w+\_\w+\_\w+', gene_id)
       print (">"+list.group(1))

这是我在 command-line 上执行命令时收到的错误：

File "mpo.py", line 7, in <module>
    gene_id = myfile.id
NameError: name 'myfile' is not defined

我有一个格式为

的fasta文件

>H149xcV_Fge342_r3_h2_d1 len=210 path=[0:0-206]
ACTATACATGAGGAGAACATAGAACAAAAATGGGACCATAGATATATAACAATAGAAGATATAGAGAACACAATAGACAACTTATTAGGAAAGAGGTGTGTCGTCATGGAGCTGATGTTCGAGGATACTTTGCATGGTCATTCTTGGATAATTTTGAGTGGGCTATGGGATACACCAAGAGGTTTGGCATTGTTTATGTTGATTATAAGAACGGGC

 >H149xcV_ytR1oP_r3_h2_d1 len=306 path=[0:0-207]
    ATTAGAGTCTGAGAGAGTCTTGATTTGTCGTCGTCGAGAAATATAGGAGATCTGATTAGAGGAGAGAGCGGCCTAGGCGATGCGCGATATAGCGCTATATAGGCCTAGAGGAGAGTCTCTCTCTTTTAGAAGAGATAATATATATATATATATGGCTCTCCGGCGGGGCCGCGCGAGAGCTCGATCGATCGATATTAGCTGTACGATGCTAGCTAGCTTATATTCGATCGATTATAGCTTAGATCTCTCTCTAAAGGTCGATATCGCTTATGCGCGCGTATATCG

我想重新格式化我的文件，以便它只为我提供唯一的基因 ID，并且只输出那些长度大于 250 bp 的基因 ID。

我希望我想要的输出如下所示：

>H149xcV_Fge342_r3_h2
>H149xcV_ytR1oP_r3_h2
>H149xcV_DPN78333_r3_h2
>H149xcV_AgV472_r3_h2
>H149xcV_DNP733_r3_h2

Answer 1

使用 EMBOSS 包中的 infoseq 实用程序，并使用您选择的脚本语言通过单行管道输出（带有序列 ID 和长度的 table）。在这里，为了简单起见，我使用 Perl：

cat input.fasta | \
    infoseq -auto -only -name -length stdin | \
    perl -lane 'my ($name, $length) = @F; if ( !$seen{$name}++ && $length > 250 ) { print ">$name"; }' > output.fasta

安装EMBOSS，例如，使用conda:

conda create --name emboss emboss

Answer 2

正如您问题后的评论中所建议的，要匹配的参数应该是一个字符串。我要补充的一件事是 python3 有一个用于正则表达式的 r"" 字符串定界符。你的代码变成这样：

from Bio import SeqIO
import sys
import re 


    fasta_file = (sys.argv[1])
    for myfile in SeqIO.parse(fasta_file, "fasta"):
      if len(myfile) > 250:
       gene_id = myfile.id
       list = re.match(r"H149xcV_\w+_\w+_\w+", gene_id)
       print (">"+list.group(0))

下划线 _ 不是特殊的正则表达式字符（我记得）所以不需要转义。

match() 函数采用正则表达式和您正在搜索的字符串（因此我添加了 gene_id）。最后，你要输出group(0)。 group(0) 表示整场比赛。 group(1) 来自第一个捕获的 paren（其中你有 none）所以坚持使用 group(0).

收到 NameError - 如何解决？

Receiving NameError - how to fix?

python

regex

shell

bioinformatics

fasta