Question

我想“bin”（分成单独的文件）多fasta核苷酸序列文件（例如Roche-454运行~500,000读取平均读取长度250bp）。我希望这些垃圾箱基于每次读取的GC内容。结果输出将是8个multi-fasta文件：

＆lt; 20％GC含量

21-30％GC含量

GC含量为31-40％

41-50％GC含量

51-60％GC含量

61-70％GC含量

71-80％GC含量

＆gt; 80％GC内容

有没有人知道这样做的脚本或程序？如果没有，有人可以建议如何根据GC内容对多个fasta文件进行排序（我可以将其拆分为相关的垃圾箱）吗？

Answer 1

在R / Bioconductor中，任务将是（a）加载适当的库（b）读取fasta文件（c）计算核苷酸用量和gc％（d）将数据切割成箱子和（e）输出原件数据到单独的文件中。

## load
library(ShortRead)
## input
fa = readFasta("/path/to/fasta.fasta")
## gc content. 'abc' is a matrix, [, c("G", "C")] selects two columns
abc = alphabetFrequency(sread(fa), baseOnly=TRUE)
gc = rowSums(abc[,c("G", "C")]) / rowSums(abc)
## cut gc content into bins, with breaks at seq(0, 1, .2)
bin = cut(gc, seq(0, 1, .2))
## output, [bin==lvl] selects the reads whose 'bin' value is lvl
for (lvl in levels(bin)) {
    fileName = sprintf("%s.fasta", lvl)
    writeFasta(fa[bin==lvl], file=fileName)
}

要使用R / Bioconductor，请参阅http://bioconductor.org/install。所示大小的454数据的内存要求也不算太差，这里的脚本速度相当快（例如，对于260k读取数据为7s）。

Answer 2

我建议使用Python和Biopython或Perl和Bioperl来读取FASTA文件。有一个脚本可以计算Bioperl here中序列的C含量，Biopython有一个function for it。然后只需将每个序列的GC内容存储在字典或散列中，然后浏览每个序列，将它们写入文件，具体取决于GC内容的高度。

您需要更具体的帮助吗？

Answer 3

如果我正确理解了这个问题，你需要类似下面的内容（Python）：

def GC(seq): # determine the GC content
    s = seq.upper()
    return 100.0 * (s.count('G') + s.count('C')) / len(s)

def bin(gc): # get the number of the 'bin' for this value of GC content
    if gc < 20: return 1
    elif gc > 80: return 8
    else:
        return int(gc/10)

然后，您只需要读取文件中的条目，计算GC内容，找到正确的bin并将条目写入相应的文件。以下示例使用我们在实验室中使用的Python package实现此目的：

from pyteomics import fasta

def split_to_bin_files(multifile):
"""Reads a file and writes the entries to appropriate 'bin' files.
`multifile` must be a filename (str)"""

    for entry in fasta.read(multifile):
        fasta.write((entry,), (multifile+'_bin_'+
                    str(bin(GC(entry[1])))))

然后您只需将其称为split_to_bin_files('mybig.fasta')。

分档序列通过GC内容读取

3 个答案: