Question

我有一个包含多个序列的fasta文件，其标题如下所示：

>1016BSA34080.1
MTHSVRIITVTVNFLQHRFFIDYMSEIGLLDGEIEQMVSALQEQVHIVARARTLPEMKNLERDTHVIVKT
LKKQLTAFHSEVKKIADSTQRSRYEGKHQTYEAKVKDLEKELRTQIDPPPKSVSEKHMEDLMGEGGPDGS
GFKTTDQVLRAGIRIQNDA

>1038BSA81955.1
MQQQQARRRMEEPTAAAATASSTTSFAAQPLLSRSVAPQAASSPQASARLAESAGFRSAAVFGSAQAAVG
GRGRGGFGAPPGRGGFGAPPAAGFGAAPAFGAPPTLQAFSAAPAPGGFGAPPAPQGFGAPRAAGFGAPPA
PQAFSAVAPASSTAIPLDVTTYLGDTFGSAPTRGPP

标题开头的4位数字是序列的唯一ID。

你能帮我写一个python脚本来提取4位数的序列（在每行一个ID的文本文件中）吗？

我尝试修改此脚本（我在此网站上找到：Extract sequences from a FASTA file based on entries in a separate file）以符合我的目的（徒劳）：

f2 = open('accessionids.txt','r')
f1 = open('fasta.txt','r')
f3 = open('fasta_parsed.txt','w')

AI_DICT = {}
for line in f2:
    AI_DICT[line[:-1]] = 1

skip = 0
for line in f1:
    if line[0] == '>':
        _splitline = line.split('|')
        accessorIDWithArrow = _splitline[0]
        accessorID = accessorIDWithArrow[1:-1]
        # print accessorID
        if accessorID in AI_DICT:
            f3.write(line)
            skip = 0
        else:
            skip = 1
    else:
        if not skip:
            f3.write(line)

f1.close()
f2.close()
f3.close()

我是Python新手，非常感谢任何帮助！谢谢-Divya

Answer 1

accessionids.txt是否仅包含四位数代码？

如果是，请将accessorID更改为：

accessorID = accessorIDWithArrow[1:5]

使这更像Pythonic的一些方法是：

对AI_DICT使用集合而不是字典，使用strip()而不是切片来删除换行符，并使用生成器表达式来构建集合

AI_SET = set((line.strip() for line in f2))

True使用False和skip而不是0和1。

我会重做主循环：

in_accession_ids = False
for line in f1:
    if line[0] == '>':
        _splitline = line.split('|')
        accessorIDWithArrow = _splitline[0]
        accessorID = accessorIDWithArrow[1:5]
        # print accessorID
        in_accession_ids = accessorID in AI_SET
    if in_accession_ids:
        f3.write(line)

我认为这种逻辑更加明显。此外，从原始版本中的skip = 0或我的in_accession_ids=True开始，意味着您在查找第一个序列标题之前打印所有内容。这可能是你想要的，也许不是 - 我假设不在我的重写中。

你可能最终想要查看Biopython集合 - 这对于这个特定的任务来说太过分了，但总的来说相当不错。除了其他方面，还有许多用于阅读FASTA文件和相关格式的工具。

http://biopython.org/wiki/Biopython

Answer 2

使用Biopython，您可以这样做（需要安装biopyhton）：

from Bio import SeqIO

f1 = "fasta.fa"
f2 = "accessionids.txt"
f3 = "selected_seqs.fa"
selected_seqs = list()

with open(f2, "r") as seq_ids:
    accessionids = [line.rstrip("\n") for line in seq_ids]

for seq_record in SeqIO.parse(f1, "fasta")
    header = seq_record.name # (or .id or so)
    for accession_id in accessionids:
        if accession_id == header[0:4]:
            selected_seqs.append(seq_record)


SeqIO.write(selected_seqs, f3, "fasta")

这将遍历您的序列记录（fasta文件），并针对每个条目检查是否存在与accessionids文件中的id相匹配的内容。

注意：

seq_record可以具有不同的标签，请检查您的标识符位于哪个标签中。
如果您的ID不在开头（并且是单个序列标头唯一的），则只需使用if accession_id in header:
有关SeqIO的更多详细信息，请参见biopython tutorial第5章。

通过标题中的ID号从fasta文件中提取序列

2 个答案: