Question

我实际上有一个这样的multifasta文件：

>seqA_0042_0035
AGGACCATGA
>seqB_0035_0042
ATGGATGGAGGAGATG
>seqC_0042_0035
AGGATGGAGGATAG
>seqA_0042_0035
ATGGAGAGAG
>seqD_0042_0035
ATTGGGAA
>seqC_0035_0042
ATGGGAGAGAAGA
>seqA_0042_0035

我只想计算我有多少序列（带有ID名称）但是如果我有一个seqA例如只计算一次，即使它出现两次，我想保持juste一次。 _number_number无所谓，它们一直在变化。

对于这个例子，我将输出：序列号：4

谢谢：）

Answer 1

创建一个包含标签的哈希集，扫描文件，将每个标签添加到哈希集：

set_of_labels = set()

with open("path/to/my_multi_FASTA_file") as f:
  for line in f:
    if line.startswith('>seq'):
      label = line[4:].split('_')[0]
      set_of_labels.add(label)

print(f"Number of distinct labels: {len(set_of_labels)}")

输出：

Number of distinct labels: 4

重复项会自动删除，因为该集合始终只包含每个元素的一个副本。

我已删除了>seq - 部分以及>seqX_Y_Z - 标签中的数字，所以我只保留X。如果您需要其他内容，请相应地调整label = ....中子字符串的选择。

Answer 2

如果文件内容与您指定的相同，则可以解决您的查询问题：

lst = []

with open('path/to/file', 'r') as f:
    for line in f:
        if line.startswith('>seq') and line[4] not in lst:
            lst.append(line[4])

print(lst)
# ['A', 'B', 'C', 'D']

print(len(lst))
# 4

计数序列数（不重复）

2 个答案: