如何使用Python根据坐标信息检索FASTA序列？

Question

我想根据bed文件B.bed获取序列，其中包含序列的坐标信息，将坐标与fasta文件A.fasta进行匹配，并根据B.bed 文件。 Fasta 文件是带有序列 ID 的普通文件，后面跟着它的核苷酸 ATCG。但是我得到下面的关键错误。谁能帮我？

from Bio import SeqIO
from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
from collections import defaultdict

# read names and postions from bed file
positions = defaultdict(list)
with open('B.bed') as f:
    for line in f:
        name, start, stop = line.split()
        positions[name].append((int(start), int(stop)))

# parse faste file and turn into dictionary
records = SeqIO.to_dict(SeqIO.parse(open('A.fasta'), 'fasta'))

# search for short sequences
short_seq_records = []
for name in positions:
    for (start, stop) in positions[name]:        
        long_seq_record = records[name]
        long_seq = long_seq_record.seq
        alphabet = long_seq.alphabet
        short_seq = str(long_seq)[start-1:stop]        
        short_seq_record =SeqRecord(Seq(name))+ '\t'+str(start)+'\t'+str(stop)+'\t' + SeqRecord(Seq(short_seq, alphabet))
    short_seq_records.append(short_seq_record)

# write to file
with open('C.fasta', 'w') as f:
    SeqIO.write(short_seq_records,f, 'fasta')

A.fasta

>chr16:13361561-13361573
TAGTGGGTCAGAC
>chr6_apd_hap1:2165669-2165681
AGATGAGTCATCA
>chr10:112612173-112612185
AAGTGTGTCAGCT

B.bed

chr6_apd_hap1   2165668 2165681
chr10   112612172   112612185

C.fasta

的预期输出

>chr6_apd_hap1:2165669-2165681
AGATGAGTCATCA
>chr10:112612173-112612185
AAGTGTGTCAGCT

但我收到以下错误：

long_seq_record = records[name]
KeyError: 'chr6_apd_hap1'

Answer 1

在您的代码中，positions 是一个 defaultdict，它具有 BED 文件中的名称作为键：

>>> print positions.keys()
['chr10', 'chr6_apd_hap1']

和records是一个字典，以FASTA文件的headers为键，减去开头的>，但它们仍然包括冒号和位置染色体：

>>> print records.keys()
['chr16:13361561-13361573', 'chr6_apd_hap1:2165669-2165681', 'chr10:112612173-112612185']

所以你首先需要转换你的 records 键来释放额外的信息，这样你就可以使用 positions 键来检索它们。您可以通过在创建 records 字典后添加以下行来执行此操作：

records = {key.split(':')[0]: value for (key, value) in records.iteritems()}

此外，您目前构建 short_seq_record 的方式实际上并不奏效。替换行

short_seq = str(long_seq)[start-1:stop]        
short_seq_record =SeqRecord(Seq(name))+ '\t'+str(start)+'\t'+str(stop)+'\t' + SeqRecord(Seq(short_seq, alphabet))

与：

short_seq = Seq(str(long_seq)[start-1:stop], alphabet)
short_seq_id = '{0}\t{1}\t{2}'.format(name, start, stop)
short_seq_record = SeqRecord(short_seq, id=short_seq_id, description='')

如何使用Python根据坐标信息检索FASTA序列？

How to retrieve FASTA sequences according to coordinate information using Python?

python

bioinformatics

regular-language

fasta