Question

鉴于大量的FASTA文件（用于分泌肽的各种生物的肽组），如何用Python（或Matlab）读取FASTA文件（来自UNIProt），并计算每种氨基酸的频率，以及氨基酸“双”配对？

（I.E-输出应具有每个氨基酸的百分比（22个字母/字母中的百分比）和氨基酸配对的频率。

实际上，我想计算字母对的二元组（或者易于实现的n-gram）频率。

22个氨基酸各自由FASTA文件中的独特字母表示，并且每个蛋白质的名称在其行之前由>开始。（已经解析了它，所以只剩下相关的字符）

文件样本：

FFKA

FLRN

MTTVSYVTILLTVLVQVLTSDAKATNNKRELSSGLKERSLSDDAPQFWKGRFSRSEEDPQ   FWKGRFSDPQFWKGRFSDPQFWKGRFSDPQFWKGRFSDPQFWKGRFSDPQFWKGRFSDPQ   FWKGRFSDGTKRENDPQYWKGRFSRSFEDQPDSEAQFWKGRFARTSSGEKREPQYWKGRF   SRDSVPGRYGRELQGRFGRELQGRFGREAQGRFGRELQGRFGREFQGRFGREDQGRFGRE   DQGRFGREDQGRFGREDQGRFGREDQGRFGREDQGRFGRELQGRFGREFQGRFGREDQGR   FGREDQGRFGRELQGRFGREDQGRFGREDQGRFGREDLAKEDQGRFGREDLAKEDQGRFG   REDIAEADQGRFGRNAAAAAAAAAAAKKRTIDVIDIESDPKPQTRFRDGKDMQEKRKVEK   KDKIEKSDDALAKTS

非常感谢！

Answer 1

这看起来如何？

>>> sequence = "LTSDAKAARFSDPQFWKGRFSDPQFWKGRSAAKGRFARTSSGAAEKREPQAAYWKGRF "
>>> occurrenceAA = str(sequence.count("AA"))   # counting occurence of n-aminos
>>> percent_occurrenceAA = float(occurrenceAA)/len(sequence)*100   # calculate percent total of protein
>>> print occurrenceAA, " Double-alanines in your sequence"
4 Double-alanines in your sequence
>>> print round(percent_occurrenceAA,2), " % of total"   # rounding off % to 2 decimal places
6.78  % of total

计算FASTA文件中的二氨基酸频率（Bigram频率）

1 个答案: