Question

我想读取一个包含fasta序列的大文件（标题下方有1个标题和1行序列）以及行之间的其他随机垃圾和无组织间距。

我想读取每一行，如果一行以“＆gt;”开头符号，这是一个快速序列标题开始的方式，然后将该标题与下一行（即序列）一起拉出。

我有一个小示例数据文件显示：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG


Task 2: Subclone the synthesized

junk 

junk

>4
GCTAGCACCATGGAGACAGAC

我的代码：

f=open("File.fasta", "r")
fastaseq = open("OnlyFastaseq.fasta", "w")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.rstrip()
        seq = f.readline()
        seq = seq.rstrip()
        fastaseq.write(title+"\n"+seq+"\n")

所需的输出：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG
>4
GCTAGCACCATGGAGACAGAC

结果包含大多数标题+序列，除了'＆gt; 3'序列，没有拉出下一行（这是序列）。

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
>4
GCTAGCACCATGGAGACAGAC

Answer 1

您可以通过迭代输入并查找以>开头的行来过滤掉那些，然后从输入文件中写出该行和next，例如：

with open('File.fasta') as fin, open('OnlyFastaseq.fasta', 'w') as fout:
    for line in fin:
        if line.startswith('>'):
            fout.write(line)
            fout.write(next(fin))

Answer 2

您可以尝试BioPython。它当然可以通过“打开”来完成。和一些解析，但BioPython有很多其他功能。要一次读取一个序列，你可以使用。

from Bio import SeqIO
fastaFile = "foo.fasta"
handle = open(fastaFile,"r")
for record in SeqIO.parse(handle,"fasta"):
    print record.id
handle.close()

有关详细信息，请参阅SeqIO docs。

Answer 3

以下代码将提供所需的输出。它只打印以>开头的标题和有效序列，即仅打印ATGC。

f = open("File.fasta", "r")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.strip()
        print(title)
    else:
        seq = line.strip().upper()
        if 0 not in [c in 'ATGC' for c in seq]:
            print(seq)

只拉出fasta序列python

3 个答案: