Question

我有一个fasta文件。从该文件中，我需要获得包含'CCNNNGG'的唯一序列（其中'N'表示随机核苷酸）并将它们放入新的fasta文件中。

示例（它应该输出第一个序列）：

m121012_054644_42133_c100390582550000001523038311021245_s1_p0 / 7 / 3312_3597   CGCGGCATCGAATTAATACGACTCACTATAGGTTTTTTTATTG ********* CCTACGG *********** GTATTTTCAGTTAGATTCTTTCTTCTTAGAGGGTACAGAGAAAGGGAGAAAATAGCTACAGACATGGGAGTGAAAGGTAGGAAGAAGAGCGAAGCAGACATTATTCA

m121012_054644_42133_c100390582550000001523038311021245_s1_p0 / 7 / 3708_4657   CAACGGTTTTGCCACAAGATCAGGAACATAAGTCACCAGACTCAATTCATCCCCATAAGACCTCGGACCTCTCAATCCTCGAATTAGGATGTTCTCGTACGGTCTATCAGTATATAAACCTGACATACTATAAAAAAGTATACCAT   TCTTATCATGTACAGTAGGGTACAGTAGG

（* s已添加以突出显示）

我的代码：

 from Bio import SeqIO 


    my_sequences = []
    for record in SeqIO.parse(open("example.fa", "rU"), "fasta") :
         if "CCTACGG" in record.seq :                #Works fine with CCTACGG

            my_sequences.append(record)



    output_handle = open("my_seqs.fasta", "w")
    SeqIO.write(my_sequences, output_handle, "fasta")
    output_handle.close()

我的问题是，我不知道如何编写随机核苷酸，而不是在"CCTACGG"之后写if我要'CCNNNGG' N，'C'代表随机核苷酸（'T'或'G'或'A'或{{1}}）。

Answer 1

您可以使用正则表达式通过Python的re module：

执行此操作

import re

pattern = 'CCNNNGG'
regex = re.compile(pattern.replace('N', '[ACGT]'))
for record in SeqIO.parse(...):
    if re.search(regex, record.seq) is not None:
        my_sequences.append(record)

这会将您的模式中的每个'N'替换为'[ACGT]'，它将匹配这四个字符中的任何一个，然后在每个record.seq中搜索该模式。

另外，请注意您的示例不是很好 - 第二个也匹配该模式（它包含'CCCATGG'） - 请参阅results！

使用BioPython基于限制序列过滤FASTA文件

1 个答案: