问在Python中解析FASTA文件时出错
EN

Stack Overflow用户

提问于 2020-06-23 04:20:06

回答 1查看 164关注 0票数 3

dict = {}
tag = ""
with open('/storage/emulated/0/Download/sequence.fasta.txt','r') as sequence:
    seq = sequence.readlines()
    for line in seq:
        if line.startswith(">"):
            tag = line.replace("\n", "")
        else:
            seq = "".join(seq[1:])
            dict[tag] = seq.replace("\n", "")   
    print(dict)

那些不熟悉FASTA文件的人的背景。此格式包含一个或多个DNA、RNA或蛋白质序列，其中带有以">“开头的序列的一行描述标记，然后以以下行(Ex)中的序列开始。对于DNA来说，A、T、G和C会重复很多次。它还附带了许多不必要的换行符。到目前为止，当我每个文件只有一个序列时，这段代码可以工作，但是如果存在多个序列，它似乎忽略了if条件。例如，每当它注意到">“时，它都应该将每个新标记:序列对添加到字典中，但它只运行一次，并将第一个描述作为字典中的键，并加入文件的其余部分，而不考虑">”字符，并将其用作值。在第一次出现之后，如何让这个循环注意到一个新的">“？

我有意识地离开了生物工程模块。

python

python-3.x

云开发个人版免费体验1个月

云开发是云原生一体化开发环境和工具平台，提供高可用、自动弹性扩缩的后端云服务，可用于云端一体化开发多种端应用

回答 1

Stack Overflow用户

回答已采纳

发布于 2020-06-23 04:31:06

更新：下面的代码现在适用于多行序列。

下面的代码对我来说很好：

import re
from collections import defaultdict

sequences = defaultdict(str)

with open('fasta.txt') as f:
    lines = f.readlines()

current_tag = None
for line in lines:
    m = re.match('^>(.+)', line)

    if m:
        current_tag = m.group(1)
    else:
        sequences[current_tag] += line.strip()

for k, v in sequences.items():
    print(f"{k}: {v}")

它使用了许多您可能不熟悉的特性，例如正则表达式(在生物信息学中可能非常有用)和f-字符串格式。如果有什么事情让你困惑，那就去问吧。我要补充的一点是，您不希望将变量定义为dict，因为这将破坏Python在启动时定义的内容。我选择了sequences，它不这样做，而且信息更丰富。

作为参考，这是我在这个实例中使用的示例FASTA文件fasta.txt的内容：

>seq0
FQTWEEFSRAAEKLYLADPMKVRVVLKYRHVDGNLCIKVTDDLVCLVYRTDQAQDVKKIEKF
>seq1
KYRTWEEFTRAAEKLYQADPMKVRVVLKYRHCDGNLCIKVTDDVVCLLYRTDQAQDVKKIEKFHSQLMRLME LKVTDNKECLKFKTDQAQEAKKMEKLNNIFFTLM
>seq2
EEYQTWEEFARAAEKLYLTDPMKVRVVLKYRHCDGNLCMKVTDDAVCLQYKTDQAQDVKKVEKLHGK
>seq3
MYQVWEEFSRAVEKLYLTDPMKVRVVLKYRHCDGNLCIKVTDNSVCLQYKTDQAQDVK
>seq4
EEFSRAVEKLYLTDPMKVRVVLKYRHCDGNLCIKVTDNSVVSYEMRLFGVQKDNFALEHSLL
>seq5
SWEEFAKAAEVLYLEDPMKCRMCTKYRHVDHKLVVKLTDNHTVLKYVTDMAQDVKKIEKLTTLLMR
>seq6
FTNWEEFAKAAERLHSANPEKCRFVTKYNHTKGELVLKLTDDVVCLQYSTNQLQDVKKLEKLSSTLLRSI
>seq7
SWEEFVERSVQLFRGDPNATRYVMKYRHCEGKLVLKVTDDRECLKFKTDQAQDAKKMEKLNNIFF
>seq8
SWDEFVDRSVQLFRADPESTRYVMKYRHCDGKLVLKVTDNKECLKFKTDQAQEAKKMEKLNNIFFTLM
>seq9
KNWEDFEIAAENMYMANPQNCRYTMKYVHSKGHILLKMSDNVKCVQYRAENMPDLKK
>seq10
FDSWDEFVSKSVELFRNHPDTTRYVVKYRHCEGKLVLKVTDNHECLKFKTDQAQDAKKMEK