Question

我试图在python中编写一个脚本来解析一个大的fasta文件，我不想使用biopython，因为我正在学习脚本。该脚本需要将登录号，序列长度和序列gc内容打印到控制台。我已经能够提取入藏号，但由于它们被作为行读取而无法提取序列，这使我无法计算序列长度和gc含量。

有人能帮帮我吗？我已尝试将这些行分组到一个列表中，但之后会在列表中创建多个列表，而且我也不确定如何加入它们。

seq=""
seqcount=0
seqlen=0
gc=0

#prompt user for file name
infile=input("Enter the name of your designated .fasta file: ")

with open(infile, "r") as fasta:
    print("\n")
    print ("Accession Number \t Sequence Length \t GC content (%)")
    for line in fasta:
       line.strip()
       if line[0]==">":
           seqcount+=1 #counts number sequences in file
           accession=line.split("|")[3] #extract accession
           seq=""
       else: 
           seq+=line[:-1]
           seqlen=len(seq)
           print(accession, "\t \t", seqlen)

print("\n")           
print("There are a total of", seqcount, "sequences in this file.")

Answer 1

您距离正确的代码不远：

seq=""
seqcount=0

#prompt user for file name
infile=input("Enter the name of your designated .fasta file: ")

def pct_gc(s):
    gc = s.count('G') + s.count('C') + s.count('g') + s.count('c')
    total = len(s)

    return gc*100.0/total

with open(infile, "r") as fasta:
    print("\n")
    print ("Accession Number\tSequence Length\tGC content (%)")
    for line in fasta:
        line = line.strip()
        if line[0]==">":
            if seq != "":
                print("{}\t{}\t{}".format(accession, pct_gc(seq), len(seq)))

            seqcount+=1 #counts number sequences in file
            accession=line.split("|")[3] #extract accession
            seq=""
        else: 
            seq+=line[:-1]

print("{}\t{}\t{}".format(accession, pct_gc(seq), len(seq)))
print("\n")           
print("There are a total of " + str(seqcount) + " sequences in this file.")

要寻找的东西：

您不需要每次迭代都更新长度。只需在最后进行计算即可。
str.strip（）不会修改对象，而是返回已剥离的对象
您必须使用以下事实：找到下一个序列并且该序列不为空时，您会读取完整的序列。此时您必须编写输出。
最后一个序列不是由新加入完成的，因此您必须在循环后最后独立处理。
使用字符串格式或连接字符串。如果只用逗号分隔字符串和变量，则将得到元组表示输出。

解析multi-fasta文件以提取序列

1 个答案: