Question

我正在使用fasta格式的DNA序列数据，需要创建2个包含生物体名称和序列的列表。我遇到了以下帖子Add multiple sequences from a FASTA file to a list in python，但解决方案对我来说无法正常工作（我还无法发表评论）。

fasta文件是使用以下格式的txt文件。一行以“＆gt;”开头标记有机体名称，然后是带有序列数据的多行。一个fasta文件可以包含多个生物体，每个生物体都按块组织：

＆GT; Organism1
ACTGATGACTGATCGTACGT
ATCGATCGTAGCTACGATCG
ATCATGCTATTGTG
＆GT; Organism2
TACTGTAGCTAGTCGTAGCT
ATGACGATCGTACGTCGTAC
TAGCTGACTG
...

我在上述链接的帮助下编写的代码是：

data_file = open("multitest.fas","r")
data_tmp = []
a=[] #list for organisms name
b=[] #list for sequence data
for line in data_file:
    line = line.rstrip() 
    line = line.strip("\n").strip("\r") 
    for i in line:
        if line[0] == ">":
            a.append(line[1:])
            if data_tmp:
                b.append("".join(data_tmp))
                data_tmp=[]
            break
        else:
            line=line.upper()
    if all([k==k.upper() for k in line]):
        data_tmp.append(line)
print a
print b

代码工作正常，除了最后一个有机体的序列没有附加到列表b。这似乎是显而易见的，因为序列数据仅在“＆gt;”时添加遇到了。如何确保添加最后一个序列？为什么没有其他人在上述链接的代码中遇到同样的问题？谢谢你的建议！

Answer 1

我用Regex完成了它。希望你觉得它有用。

>>> import re
>>> data_file = open("multitest.fas","r")
>>> data=data_file.read()
>>> org=re.findall(r'>(\w*)',data) 
>>> org
['Organism1', 'Organism2']
>>> seq=[i.replace('\n','') for i in re.split(r'>\w*',data,re.DOTALL)[1:]]
>>> seq
['ACTGATGACTGATCGTACGTATCGATCGTAGCTACGATCGATCATGCTATTGTG', 'TACTGTAGCTAGTCGTAGCTATGACGATCGTACGTCGTACTAGCTGACTG']

从多个fasta文件创建有机体和dna序列数据的列表

1 个答案: