Question

我有一个含有几种蛋白质序列的FASTA文件。格式类似于

----------------------
>protein1
MYRALRLLARSRPLVRAPAAALASAPGLGGAAVPSFWPPNAAR
MASQNSFRIEYDTFGELKVPNDKYYGAQTVRSTMNFKIGGVTE
RMPTPVIKAFGILKRAAAEVNQDYGLDPKIANAIMKAADEVAE
GKLNDHFPLVVWQTGSGTQTNMNVNEVISNRAIEMLGGELGSK
IPVHPNDHVNKSQ

>protein2
MRSRPAGPALLLLLLFLGAAESVRRAQPPRRYTPDWPSLDSRP
LPAWFDEAKFGVFIHWGVFSVPAWGSEWFWWHWQGEGRPYQRF
MRDNYPPGFSYADFGPQFTARFFHPEEWADLFQAAGAKYVVLT
TKHHEGFTNW*

>protein3
MKTLLLLAVIMIFGLLQAHGNLVNFHRMIKLTTGKEAALSYGF
CHCGVGGRGSPKDATDRCCVTHDCCYKRLEKRGCGTKFLSYKF
SNSGSRITCAKQDSCRSQLCECDKAAATCFARNKTTY`

-----------------------------------

有没有一种好方法可以读取此文件并单独存储序列？

由于

Answer 1

要做到这一点，可以：

创建每个位置的向量拥有名称和序列
逐行浏览文件
- 如果该行以>开头，则添加向量末尾的元素并将line.substring（1）保存到元素作为蛋白质名称。初始化序列元素等于""。
- 如果line.length == 0那么它是空白，什么都不做
- 否则该行不会以>开头那么它就是序列的一部分去当前的矢量element.sequence + =线。因此，>protein2和>protein3之间的每一行都是连接并保存到序列protein2

Answer 2

我想也许有关确切文件结构的更多细节可能会有所帮助。只是看看你有什么（并快速查看wikipedia上的样本），表明蛋白质的名称前面有一个>，后面至少有一个换行符，所以这就是一个好的开始。

您可以在换行符上拆分文件，并查找>字符以确定名称。

从那里它不太清楚，因为我不确定序列数据是否全部在一行（没有换行符）或者它是否可能有换行符。如果没有，那么您应该能够存储该序列信息，然后转到下一个蛋白质名称。像这样：

var reader = new StreamReader("C:\myfile.fasta");
while(true)
{
    var line = reader.ReadLine();
    if(string.IsNullOrEmpty(line))
        break;
    if(line.StartsWith(">"))
        StoreProteinName(line);
    else
        StoreSequence(line);
}

如果是我，我可能会使用TDD和一些示例数据来构建一个简单的解析器，然后继续插入样本，直到我觉得我已经涵盖了格式中的所有主要差异。

Answer 3

你能使用C＃以外的语言吗？有很好的库可以处理FASTA文件和Perl，Python，Ruby，Java和R中的其他生物序列（在我的脑海中）。它们通常被标记为Bio *（即BioPerl，BioJava等）

如果您对C或C ++感兴趣，请在Biostar查看此问题的答案： http://biostar.stackexchange.com/questions/1516/c-c-libraries-for-bioinformatics

帮自己一个忙，如果你不需要，不要重新发明轮子。

在c＃中读取FASTA文件的最佳方法

3 个答案: