Question

我想使用以下脚本从一个大的fasta文件中提取特定的fasta序列，但输出为空。

transcripts.txt文件包含我要导出的列表转录ID（ID和序列），从assembly.fasta到selected_transcripts.fasta。例如：

transcripts.txt：

Transcript_00004|5601
Transcript_00005|5352

assembly.fasta：

>Transcript_00004|5601
GATCTGGCGCTGAGCTGGGTGCTGATCGACCCGGCGTCCGGCCGCTCCGTGAACGCCTCGAGTCGGCGCCCGGTGTGCGTTGACCGGAGATCGCGATCTGGGGAGACCGTCGTGCGGTT
>Transcript_00004|5360
CGATCTGGCGCTGAGCTGGGTGCTGATCGACCCGGCGTCCGGCCGCTCCGTGAACGCCTCGAGTCGGCGCCCGGTGTGCGTTGACCGGAGATCGCGATCTGGGGAGACCGTCGTGCGGTT

ID前面有>符号：>Transcripts_00004|5601。

我必须阅读assembly.fasta文件，如果assembly.fasta中的成绩单ID与transcripts.txt中的成绩单相同，我必须在selected_transcripts.fasta中写下此成绩单ID及其序列{1}}。所以，在上面的例子中，我只需要写第一个成绩单。

有什么建议吗？感谢。

from Bio import SeqIO

my_list = [line.split(',') for line in open("/home/universita/transcripts.txt")]

fin = open('/home/universita/assembly.fasta', 'r')
fout = open('/home/universita/selected_transcripts.fasta', 'w')

for record in SeqIO.parse(fin,'fasta'):
    for item in my_list:
        if item == record.id:
            fout.write(">" + record.id + "\n")
            fout.write(record.seq + "\n")

fin.close()
fout.close()

Answer 1

根据你的例子，有一些小问题可以解释为什么你什么都得不到。您的transcripts.txt在一行中有多个条目，因此my_list将包含my_line[0]中first_line的所有项目，在您的循环中按行重复my_list，所以第一项将是

['Transcript_00004|5601', 'Transcript_00005|5352']

如果标题行中assembly.fasta没有>，您将无法获取包含ID和序列的任何记录。假设您在标题中添加了>并且split函数现在使用的是空格而不是冒号，以下代码应该处理这些问题。

from Bio import SeqIO

my_list = []
with open("transcripts.txt") as transcripts:
    for line in transcripts:
        my_list.extend(line.split(' '))

fin = open('assembly.fasta', 'r')
fout = open('selected_transcripts.fasta', 'w')

for record in SeqIO.parse(fin,'fasta'):
    for item in my_list:
        if item.strip() == record.id:
            fout.write(">" + record.id + "\n")
            fout.write(record.seq + "\n")


fin.close()
fout.close()

更改了成绩单的阅读，以便所有ID分别附加到my_list。此外，每个项目都被剥去了空白区域，以避免在与record.id进行比较时在字符串中出现换行符。

从大的fasta文件中提取特定的fasta序列

1 个答案: