Biopython中SeqIO对象的index_db方法是慢的吗？

Question

我有这个：

files = glob.glob(str(dir_path) + "*.fa")
index = SeqIO.index_db(index_filename, files, "fasta")

seq = index[accession] # Slow
index.close()

return seq

我正在处理大文件（基因序列），但由于某些原因，需要大约4个secondes来获取我正在寻找的序列。我想知道index_db方法是否假设那么慢？我使用正确的方法吗？

感谢。

Answer 1

第一次创建数据库时，可能需要一些时间。接下来，如果您不删除创建的index_filename，它应该会更快。

让我们说你有25个文件，每个文件都有一些基因。这种方法创建了一个SQLite数据库，可以帮助定位文件中的序列，比如＆＃34;让我得到基因XXX＆＃34;并且SQLite / index_db 知道基因在文件12.fasta中以及它在文件中的确切位置。因此，Biopython打开文件并快速扫描到基因位置。

如果没有index_db，你必须将每个记录加载到内存中，这很快但有些文件可能不适合RAM。

如果您想要获取区域的速度，可以使用FastaFile from pysam和samtools。像这样：

1. 您必须使用faidx索引所有fasta文件：

   $ samtools faidx big_fasta.fas
   

2. 从你的代码中写下这样的东西：

   from pysam import FastaFile
   
   rec = FastaFile("big_fasta.fas")  # big_fasta.fas.fai must exist.
   seq = rec.fetch(reference=gene_name, start=1000, end= 1200)
   
   print(s)
   

在我的电脑中，对于相同的操作，这比Biopython快2个数量级，但是你只能获得纯粹的碱基序列。