Question

我有一个包含以下数据的txt文件：

CHRI

ATGCCTTGGGCAACGGT ......（多行）

chrII

AGGTTGGCCAAGGTT ...（多行）

我想首先找到'chrI'，然后遍历ATGC的多行，直到找到第x个字符。然后我想打印第x个字符，直到第y个字符。我一直在使用正则表达式，但一旦我找到包含chrI的行，我不知道如何继续迭代以找到第x个字符。

这是我的代码：

for i, line in enumerate(sacc_gff):
    for match in re.finditer(chromo_val, line):
        print(line)
        for match in re.finditer(r"[ATGC]{%d},{%d}\Z" % (int(amino_start), int(amino_end)), line):
            print(match.group())

变量意味着什么：

chromo_val = chrI

amino_start =（我的程序找到了一些起点）

amino_end =（我的程序找到了一些终点）

注意：amino_start和amino_end需要采用变量形式。

如果我能为你澄清任何事情，请告诉我，谢谢。

Answer 1

看起来你正在处理fasta数据，所以我会提供一个答案，但如果它不是你可以使用sub_sequence选择部分。

fasta_data = {} # creates an empty dictionary
with open( fasta_file, 'r' ) as fh:
    for line in fh:
        if line[0] == '>':
            seq_id = line.rstrip()[1:] # strip newline character and remove leading '>' character
            fasta_data[seq_id] = ''
        else:
            fasta_data[seq_id] += line.rstrip()

# return substring from chromosome 'chrI' with a first character at amino_start up to but not including amino_end
sequence_string1 = fasta_data['chrI'][amino_start:amino_end]
# return substring from chromosome 'chrII' with a first character at amino_start up to and including amino_end
sequence_string2 = fasta_data['chrII'][amino_start:amino_end+1]

fasta格式：

>chr1
ATTTATATATAT
ATGGCGCGATCG
>chr2
AATCGCTGCTGC

Answer 2

由于您正在使用格式如下的fasta文件：

<receiver android:name=".GeofenceReceiver"  android:exported="false">
            <intent-filter>
                <action android:name="com.geofence.georeceiver"/>
            </intent-filter>
</receiver>

并且是生物信息学专业我猜您将经常操作序列我建议安装名为FAST的perl包。一旦安装它以获得每个序列的2-14个字符，您将执行此操作：

>Chr1
ATCGACTACAAATTT
>Chr2
ACCTGCCGTAAAAATTTCC

这是最近的publication for FAST和github，其中包含用于在命令行上操作分子序列数据的完整工具箱。

python

2 个答案: