Question

我写了一个python脚本，它从CIF文件生成一个字典。我用像[1qpe这样的文件测试了它，有4105行 - ＆gt;时间：383毫秒（毫秒）]或这个（1d66，有3274行 - >时间：225毫秒），但是当我尝试使用这个（4tvx，170925行）时，需要一个很长一段时间，我决定阻止这个过程。我当时想要拆分CIF文件，从中推断出以ATOM和HETATM开头的行：

实际上，从每个原始CIF文件开始，目的是获得4个文件，最初是：

包含我称之为header的文件=以ATOM和HETATM开头的行循环上方的所有行
包含循环的仅26行的文件
包含以ATOM和HETATM
包含所有剩余行的文件，我称之为页脚

在这里我解决了，1d66需要34ms，1qpe需要43ms，4tvx需要1.923s。现在，得到了第三个文件（所有这个过程的目标，因为是字典的输入），我想从它中推断出具有相同第七列的所有行，将它们写在保存有值的专用文件中第7列作为文件名，对第7列的所有值重复此操作。

这是我的代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import sys, os
import os.path
scriptdir = os.path.dirname(os.path.abspath(__file__))
cif_dir = os.path.join(scriptdir, 'cif/')

def get_line_number(phrase, file_name):
    with open(file_name) as f:
        for i, line in enumerate(f, 1):
            if phrase in line:
                return i

def my_header_splitfile(infilepath, chunksize):
    fname, ext = infilepath.rsplit('.',1)
    with open(infilepath) as infile:
        outfilepath = "{}_header.{}".format(fname, ext)
        with open(outfilepath, 'w') as outfile:
            for line in (infile.readline() for _ in range(0,(chunksize-2))):
                outfile.write(line) # END
    temp_lines = open(infilepath).readlines()
    temp_outfilepath = "{}_temp.{}".format(fname, ext)
    atom_hetatm_header_outfilepath = "{}_atom_hetatm_header.{}".format(fname, ext)
    with open(atom_hetatm_header_outfilepath, 'w') as outfile:
        outfile.writelines(temp_lines[(chunksize-2):(chunksize+25)])
    with open(temp_outfilepath, 'w') as outfile:
        outfile.writelines(temp_lines[(chunksize+25):-1]) # END
    footer_lines = open(temp_outfilepath).readlines()
    footer_outfilepath = "{}_footer.{}".format(fname, ext)
    with open(footer_outfilepath, 'w') as outfile:
        for line in footer_lines:
            if not (line.startswith('ATOM') or line.startswith('HETATM')):
                outfile.writelines(line) # END
    temp_atom_hetatm_lines = open(temp_outfilepath).readlines()
    temp_atom_hetatm_outfilepath = "{}_atom_hetatm.{}".format(fname, ext)
    with open(temp_atom_hetatm_outfilepath, 'w') as outfile:
        for line in temp_atom_hetatm_lines:
            if (line.startswith('ATOM') or line.startswith('HETATM')):
                outfile.writelines(line) # END
    os.remove(temp_outfilepath) # FINISH
    """BEGIN TO SPLIT THE 'ATOM'"""
    """
    with open(temp_atom_hetatm_outfilepath,'r') as infile:
        lines = infile.readlines()

        rows_list = list()
        chains_list = list()
        for line in lines:
            col = line.split(None)
            rows_list.append(col)
            #print line
            #if col[0] == "HETATM":
            #   print "HETATM record"
            if col[0] == "ATOM":
                #print col[0]
                # FILTER FOR ONLY PROTEINS AND NUCLEIC ACIDS
                if (col[3] == "N" or col[3] == "N1"):
                    chains_list.append(col[6])
                    chains_list_cleaned = list(set(chains_list))
                    for chain in chains_list_cleaned:
                        if col[6] == chain:
                            atom_chain_outfilepath = "{}_atom_chain_{}.{}".format(fname, chain, ext)
                            with open(atom_chain_outfilepath, 'w') as outfile:
                                #outfile.writelines("Hello")
                                outfile.writelines(line) # END
    """

cif_code = '1d66'.upper() # CHANGE HERE THE PID CODE. i.e. 1D66, 1QPE, 4TVX

filename = '%s%s.cif' % (cif_dir,cif_code.upper())

begin_atom = get_line_number("_atom_site.group_PDB", filename)
#print begin_atom
my_header_splitfile(filename, begin_atom)

如果取消注释最后一行：

""" with open(temp_atom_hetatm_outfilepath,'r') as infile:
        lines = infile.readlines()

        rows_list = list()
        chains_list = list()
        for line in lines:
            col = line.split(None)
            rows_list.append(col)
            #print line
            #if col[0] == "HETATM":
            #   print "HETATM record"
            if col[0] == "ATOM":
                #print col[0]
                # LIMITO ALLE SOLE PROTEINE E ACIDI NUCLEICI
                if (col[3] == "N" or col[3] == "N1"):
                    chains_list.append(col[6])
                    chains_list_cleaned = list(set(chains_list))
                    for chain in chains_list_cleaned:
                        if col[6] == chain:
                            atom_chain_outfilepath = "{}_atom_chain_{}.{}".format(fname, chain, ext)
                            with open(atom_chain_outfilepath, 'w') as outfile:
                                #outfile.writelines("Hello")
                                outfile.writelines(line) # END
"""

您将看到我可以为每个链保存一个文件（例如，生成的＆＃39; 1d66_atom_hetatm.cif＆＃39;文件中的第七列），但在每个文件中只写入一行，而不是全部该链的线（第七列）。怎么做到这一点？

谢谢，

的Riccardo

编辑1： 您只需要使用下载的cif文件更改第72行来测试它！

============================================ ========================== 的 =============================================== =======================

编辑2： 这是生成的＆＃34; 1D66_atom_hetatm.cif＆＃34;中的内容示例：

ATOM   378  C  C8    . DG  A 1 19 ? 34.329 11.346 27.800 1.00 29.46 ? ? ? ? ? ? 19  DG  D C8    1 
ATOM   379  N  N7    . DG  A 1 19 ? 34.046 11.420 26.537 1.00 31.63 ? ? ? ? ? ? 19  DG  D N7    1 
ATOM   380  C  C5    . DG  A 1 19 ? 32.698 11.672 26.542 1.00 26.85 ? ? ? ? ? ? 19  DG  D C5    1 
ATOM   381  C  C6    . DG  A 1 19 ? 31.860 11.863 25.447 1.00 26.53 ? ? ? ? ? ? 19  DG  D C6    1 
ATOM   382  O  O6    . DG  A 1 19 ? 32.175 11.864 24.251 1.00 32.03 ? ? ? ? ? ? 19  DG  D O6    1 
ATOM   383  N  N1    . DG  A 1 19 ? 30.569 12.079 25.868 1.00 23.18 ? ? ? ? ? ? 19  DG  D N1    1 
ATOM   384  C  C2    . DG  A 1 19 ? 30.136 12.115 27.159 1.00 23.53 ? ? ? ? ? ? 19  DG  D C2    1 
ATOM   385  N  N2    . DG  A 1 19 ? 28.819 12.261 27.325 1.00 19.29 ? ? ? ? ? ? 19  DG  D N2    1 
ATOM   386  N  N3    . DG  A 1 19 ? 30.949 11.949 28.200 1.00 26.27 ? ? ? ? ? ? 19  DG  D N3    1 
ATOM   387  C  C4    . DG  A 1 19 ? 32.213 11.729 27.819 1.00 25.75 ? ? ? ? ? ? 19  DG  D C4    1 
ATOM   388  O  "O5'" . DC  B 2 1  ? 20.466 11.694 21.639 1.00 40.14 ? ? ? ? ? ? 20  DC  E "O5'" 1 
ATOM   389  C  "C5'" . DC  B 2 1  ? 21.891 11.609 21.791 1.00 29.52 ? ? ? ? ? ? 20  DC  E "C5'" 1 
ATOM   390  C  "C4'" . DC  B 2 1  ? 22.246 11.659 23.274 1.00 28.85 ? ? ? ? ? ? 20  DC  E "C4'" 1 
ATOM   391  O  "O4'" . DC  B 2 1  ? 23.643 11.328 23.562 1.00 27.78 ? ? ? ? ? ? 20  DC  E "O4'" 1 
ATOM   392  C  "C3'" . DC  B 2 1  ? 22.093 13.078 23.713 1.00 26.83 ? ? ? ? ? ? 20  DC  E "C3'" 1 
ATOM   393  O  "O3'" . DC  B 2 1  ? 21.761 13.021 25.064 1.00 26.10 ? ? ? ? ? ? 20  DC  E "O3'" 1 
ATOM   394  C  "C2'" . DC  B 2 1  ? 23.541 13.575 23.586 1.00 27.66 ? ? ? ? ? ? 20  DC  E "C2'" 1 
ATOM   395  C  "C1'" . DC  B 2 1  ? 24.295 12.435 24.176 1.00 21.82 ? ? ? ? ? ? 20  DC  E "C1'" 1

我想在1d66_A.txt文件中保存第7列中的A（从0开始），以及1d66_B.txt文件中第7列中包含B的所有行，依此类推从脚本生成的该文件的第七列的值。

最终输出应为：

文件1D66_A.txt：

ATOM   378  C  C8    . DG  A 1 19 ? 34.329 11.346 27.800 1.00 29.46 ? ? ? ? ? ? 19  DG  D C8    1 
ATOM   379  N  N7    . DG  A 1 19 ? 34.046 11.420 26.537 1.00 31.63 ? ? ? ? ? ? 19  DG  D N7    1 
ATOM   380  C  C5    . DG  A 1 19 ? 32.698 11.672 26.542 1.00 26.85 ? ? ? ? ? ? 19  DG  D C5    1 
ATOM   381  C  C6    . DG  A 1 19 ? 31.860 11.863 25.447 1.00 26.53 ? ? ? ? ? ? 19  DG  D C6    1 
ATOM   382  O  O6    . DG  A 1 19 ? 32.175 11.864 24.251 1.00 32.03 ? ? ? ? ? ? 19  DG  D O6    1 
ATOM   383  N  N1    . DG  A 1 19 ? 30.569 12.079 25.868 1.00 23.18 ? ? ? ? ? ? 19  DG  D N1    1 
ATOM   384  C  C2    . DG  A 1 19 ? 30.136 12.115 27.159 1.00 23.53 ? ? ? ? ? ? 19  DG  D C2    1 
ATOM   385  N  N2    . DG  A 1 19 ? 28.819 12.261 27.325 1.00 19.29 ? ? ? ? ? ? 19  DG  D N2    1 
ATOM   386  N  N3    . DG  A 1 19 ? 30.949 11.949 28.200 1.00 26.27 ? ? ? ? ? ? 19  DG  D N3    1 
ATOM   387  C  C4    . DG  A 1 19 ? 32.213 11.729 27.819 1.00 25.75 ? ? ? ? ? ? 19  DG  D C4    1

文件1D66_B.txt：

ATOM   388  O  "O5'" . DC  B 2 1  ? 20.466 11.694 21.639 1.00 40.14 ? ? ? ? ? ? 20  DC  E "O5'" 1 
ATOM   389  C  "C5'" . DC  B 2 1  ? 21.891 11.609 21.791 1.00 29.52 ? ? ? ? ? ? 20  DC  E "C5'" 1 
ATOM   390  C  "C4'" . DC  B 2 1  ? 22.246 11.659 23.274 1.00 28.85 ? ? ? ? ? ? 20  DC  E "C4'" 1 
ATOM   391  O  "O4'" . DC  B 2 1  ? 23.643 11.328 23.562 1.00 27.78 ? ? ? ? ? ? 20  DC  E "O4'" 1 
ATOM   392  C  "C3'" . DC  B 2 1  ? 22.093 13.078 23.713 1.00 26.83 ? ? ? ? ? ? 20  DC  E "C3'" 1 
ATOM   393  O  "O3'" . DC  B 2 1  ? 21.761 13.021 25.064 1.00 26.10 ? ? ? ? ? ? 20  DC  E "O3'" 1 
ATOM   394  C  "C2'" . DC  B 2 1  ? 23.541 13.575 23.586 1.00 27.66 ? ? ? ? ? ? 20  DC  E "C2'" 1 
ATOM   395  C  "C1'" . DC  B 2 1  ? 24.295 12.435 24.176 1.00 21.82 ? ? ? ? ? ? 20  DC  E "C1'" 1

我试图以最好的方式解释自己，抱歉，谢谢你的帮助。

这些步骤是连接起来的，所以我不能分割脚本：你可以尝试一下......问题只是我想要获得编辑2中所说的内容，即阅读第6列（从0开始，在那里读取AAAAAAABBBBBB，在该示例中），将包含A的所有行复制到名为＆＃34; 1d66_A.txt＆＃34;的文件中。以及包含B的所有行，在另一个文本文件＆＃34; 1d66_B.txt＆＃34;中，就像编辑2.要测试我所做的，只需将该脚本复制并粘贴到带有扩展名的文本文件中。 py（例如my_script.py）;在该脚本的同一文件夹中，创建一个文件夹＆＃34; cif＆＃34;并从这些链接下载一个cif文件（例如，如果你不想编辑脚本的第72行，则为1d66）;最后使用命令＆＃34; python my_script.py＆＃34;在shell中运行脚本。（我使用Linux）：该脚本生成四个文件。在本主题中，我将自己引用到生成的＆＃34; 1d66_atom_hetatm.cif＆＃34;文件，我想按照我的说法拆分，＆＃34; 1d66_A.txt＆＃34;，＆＃34; 1d66_B.txt＆＃34;，＆＃34; 1d66_C.txt＆＃34;，＆＃34; 1d66_D .TXT＆＃34; （4个文件，因为在1d66中，以ATOM开头的所有行的第6列（从0开始）有4个不同的字母），例如 EDIT 2 。

============================================ ========================== 的 =============================================== =======================

编辑3 - @qwwqwwq

我会尝试用文字来解释剧本;假设这个序列：

HHHHH LLLLL的 AAAAA BBBBB的 FFFFF

这是一个CIF文件的起点和终点的方案，我已经对我做过，在cthon文件合理化之前在python中详细说明，其中：

H = header
L = loop for ATOM and HETATM rows
A = chain A (= column 7) in ATOM 
B = chain B (= column 7) in ATOM 
F = footer

现在，我需要拆分通用cif文件的所有这些部分;要做到这一点，我写这个脚本，现在可以生成：

H
L
A+B
F

所以我需要将A从B中拆分掉！为什么我使用临时文件？让我解释;这些步骤：

检查ATOM和HETATM行的LOOP在哪里。为此，我搜索字符串＆＃34; _atom_site.group_PDB＆＃34; （脚本中的最后三行）我得到了函数＆＃34; get_line_number＆＃34;的相对行号。我知道循环有26行的长度，所以现在我知道它的开始和结束位置（start = begin_atom =输出＆＃34; get_line_number＆＃34;函数; end =在begin_atom之后的26行，即25，因为＆＃34; range＆＃34;从0开始，而get_line_number函数从1开始。所以，现在我可以将循环保存在一个单独的文件中。
我也可以保存标题（H），因为它从第0行开始到行＆＃34; begin_atom＆＃34; （＆＃34; get_line_number＆＃34;函数的输出）
现在，对于A，B和F，我使用了那个临时文件（临时文件，因为我最后删除了它）。我从循环结束时生成临时文件[=（＆＃34; begin_atom＆＃34; +26），即25，因为范围从0开始到文件末尾（行＆＃34; -1＆＃34;），并将其保存为临时文件，用作写入页脚的输入（F）;怎么做？使用构造：

if not (line.startswith('ATOM') or line.startswith('HETATM'))

所以我现在也可以保存页脚了！
现在仍然要拆分以ATOM和HETATM开头的记录中的所有链（列7），为此我打开了这个主题。我想我在编辑中编写的内容2.实际上，链（第7列）只能是一个（如文件1QPE中）或许多（如4TVX文件中，有22个链，即22个不同的字母）在以ATOM或HETATM开头的每一行的第7列中。

我在我的脚本中尝试了这种注释方式（参见编辑1 之前），它为每个链保存一个文件（第7列中的不同字母），但在每个文件中只有一个ATOM行是写的.....我希望我已经清楚而正确地表达了自己

============================================ ========================== 的 =============================================== =======================

已解决 - 感谢@qwwqwwq

@qwwqwwq :-)谢谢。我一直在寻找＆＃34; cif＆＃34;输出文件夹，没有意识到，在对代码进行小编辑后（参见我的编辑），脚本将文件保存在同一文件夹中:-D。完美！

最终版本：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import sys, os
import os.path
scriptdir = os.path.dirname(os.path.abspath(__file__))
cif_dir = os.path.join(scriptdir, 'cif/')

def get_line_number(phrase, file_name):
    with open(file_name) as f:
        for i, line in enumerate(f, 1):
            if phrase in line:
                return i

def my_header_splitfile(infilepath, chunksize):
    fname, ext = infilepath.rsplit('.',1)
    with open(infilepath) as infile:
        outfilepath = "{}_header.{}".format(fname, ext)
        with open(outfilepath, 'w') as outfile:
            for line in (infile.readline() for _ in range(0,(chunksize-2))):
                outfile.write(line) # END
    temp_lines = open(infilepath).readlines()
    temp_outfilepath = "{}_temp.{}".format(fname, ext)
    atom_hetatm_header_outfilepath = "{}_atom_hetatm_header.{}".format(fname, ext)
    with open(temp_outfilepath, 'w') as outfile:
        outfile.writelines(temp_lines[(chunksize+25):-1]) # END
    with open(atom_hetatm_header_outfilepath, 'w') as outfile:
        outfile.writelines(temp_lines[(chunksize-2):(chunksize+25)])
    footer_lines = open(temp_outfilepath).readlines()
    footer_outfilepath = "{}_footer.{}".format(fname, ext)
    with open(footer_outfilepath, 'w') as outfile:
        for line in footer_lines:
            if not (line.startswith('ATOM') or line.startswith('HETATM')):
                outfile.writelines(line) # END
    temp_atom_hetatm_lines = open(temp_outfilepath).readlines()
    temp_atom_hetatm_outfilepath = "{}_atom_hetatm.{}".format(fname, ext)
    with open(temp_atom_hetatm_outfilepath, 'w') as outfile:
        for line in temp_atom_hetatm_lines:
            if (line.startswith('ATOM') or line.startswith('HETATM')):
                outfile.writelines(line) # END
    """NEW ENTRY"""
    with open(temp_atom_hetatm_outfilepath) as infile:
        for line in infile:
            if line.startswith("ATOM"):
                atom_chain_outfilepath = "{}_atom_chain_{}.{}".format(fname, line.split()[6], ext)
                with open(atom_chain_outfilepath, "a") as outfile:
                    outfile.write(line)
            elif line.startswith("HETATM"):
                atom_chain_outfilepath = "{}_hetatm_chain_{}.{}".format(fname, line.split()[6], ext)
                with open(atom_chain_outfilepath, "a") as outfile:
                    outfile.write(line)
    os.remove(temp_outfilepath) # REMOVE "temp_outfilepath"
    os.remove(temp_atom_hetatm_outfilepath) # REMOVE "temp_atom_hetatm_outfilepath" - FINISH

cif_code = '1d66'.upper() # CHANGE HERE THE PID CODE. i.e. 1D66, 1QPE, 4TVX

filename = '%s%s.cif' % (cif_dir,cif_code.upper())

begin_atom = get_line_number("_atom_site.group_PDB", filename)
#print begin_atom
my_header_splitfile(filename, begin_atom)

现在您需要编辑PID条目的第55行（即1d66,1qpe，4tvx，...，从Protein Data Bank下载）。

Answer 1

很难说出你在这里问的是什么，对不起。提供适合您问题正文的样本输入和输出将有很长的路要走。

听起来您想要根据文件第六列中的值拆分文件。

我会做类似的事情：

def meets_criteria(line):
  return line.startswith("ATOM") or line.startswith("HETATM")

with open(large_file) as f:
    for line in f:
        if meets_criteria(line):
            with open(line.split()[6], "a") as of:
                of.write(line)

因此，您将拥有以第6列（0索引）中的值命名的文件。

您似乎正在使用.readlines方法，请注意这会将所有数据读入内存，没有理由这样做，这可能就是您的脚本挂在大输入上的原因。< / p>

如何在文件中保存列具有相同值的所有行

1 个答案: