Question

我正在处理来自swiss-port（ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz）的fasta文件，其中以“>”开头的行中我们有一些关于蛋白质的信息酸序列。

有没有办法使用基因名称搜索这些行（在描述为“GN=xxxxxxx”的行中是x的基因名称）并导入序列在后来的行？

我正在努力解决这个问题，因为我在线路中间搜索时遇到了麻烦并创建了循环来复制下一行。

Answer 1

如果您使用的是Linux，请熟悉sed，awk和tail/head。他们将来会为你节省很多时间。

假设我们正在寻找基因FV3-002L

sed -n '/GN=FV3-002L/,/^>/p' uniprot_sprot.fasta | head -n -1

-n：告诉sed只在打印时打印

GN=FV3-002L：您的搜索字词

^>：搜索结束时，^是一行的开头，>是FASTA标题的开头

/p：告诉sed打印匹配

| head -n -1：让我们摆脱最后一行（懒得找到一个更好的正则表达式，但你明白了）

使用Python：

gene = 'FV3-002L'
gene_found = False
fasta = ''
with open('uniprot_sprot.fasta') as f:
    for line in f:
        if gene in line:
            gene_found = True
            fasta += line
        elif gene_found and line.startswith('>'):
            break
        elif gene_found:
            fasta += line

print(fasta)

该脚本打开你的uniprot文件，读取每一行，检查是否找到基因名称，如果是，它会读取每一行，直到下一个标题，最后打印FASTA序列。

请注意：这些片段只适用于一个例子，但也适用于多个基因。如果您想要定期执行此操作，则有必要寻找更有效的数据处理方法。对于生物数据的操作，您还可以查看BioPython。

从Swiss-Prot Fasta文件导入序列

1 个答案: