Question

很快就会很明显，我是Python和编码的新手。我有一个基因ID列表存储为文本文件，我想使用Entrez函数搜索GenBank数据库并检索对应于ID的蛋白质序列。理想情况下，我希望最终产品是FASTA文件，因为我现在真的只对序列感兴趣。使用Biopython教程（http://biopython.org/DIST/docs/tutorial/Tutorial.html#sec15），我想出了这个：

from Bio import Entrez
from Bio import SeqIO
Entrez.email = "me@mysite.com"
id_list = set(open('test.txt', 'rU'))
handle = Entrez.efetch(db="protein", id=id_list, rettype="fasta", retmode="text")   
for seq_record in SeqIO.parse(handle, "fasta"):
    print ">" + seq_record.id, seq_record.description
print seq_record.seq
handle.close()

但是当我运行它时，我收到错误：

File "C:/Python27/Scripts/entrez_files.py", line 5, in <module>
  handle = Entrez.efetch(db="protein", id=id_list, rettype="fasta", retmode="text")
File "C:\Python27\lib\site-packages\Bio\Entrez\__init__.py", line 145, in efetch
  if ids.count(",") >= 200:
AttributeError: 'set' object has no attribute 'count'

每次使用rettype ='fasta'时都会出现类似的错误。当我使用rettype ='gb'时，我没有收到此错误，但我真的想最终得到一个fasta文件。有人有什么建议吗？谢谢！

编辑：抱歉，我忽略了包含输入文件的内容。在一个完美的世界中，代码将接受这样的输入格式：

gi|285016822|ref|YP_003374533.1|
gi|285018887|ref|YP_003376598.1|
gi|285016823|ref|YP_003374534.1|
gi|285016824|ref|YP_003374535.1| 
....

但我也试过使用只有Gene ID（GI）的简化版本：

285016822 
285018887 
285016823
285016824...

Answer 1

正如您在efetch's source code中看到的那样，id参数必须采用count方法。通常，这将是一个包含单个ID的字符串或包含所有ID的Python列表。你正在使用set，大概是为了消除重复的值，所以你可以转换成这样的列表：

id_list = set(open('test.txt', 'rU'))
id_list = list(id_list)

使用BioPython中的Entrez从GenBank中检索和解析蛋白质序列

1 个答案: