如何从包含多个基于ID的基因组序列的Genbank文件中删除无效序列

Question

我有一个约3 GB的Genbank文件，其中包含约20,000个细菌基因组序列的完整Genbank注释。我的目标是使用BioPython解析这些序列，并为非重复序列编写单独的fasta文件，如下所示：

from Bio import SeqIO
records = SeqIO.parse(r'C:\Users\aaa\aaa\file.gb', 'genbank')
for record in records:
    if seq_name not in organism_dict:
        with open(output_folder + seq_name, 'w') as handle:
            SeqIO.write(record, handle, 'fasta')

这对于前约2,000个序列非常有效，但随后到达页脚无效的条目，并产生错误消息ValueError：序列行格式错误的“标题> NCBI / ffsrv11-WWW错误500诊断”。

我设法找到了导致错误的序列，所以我想做的是从我的Genbank文件中删除它，然后手动将其下载为fasta文件。但是，由于大小原因，我无法在文本编辑器中打开文件，而且由于错误，我也无法解析文件，所以我想知道是否有人对如何删除基于Genbank ID的序列。我愿意接受非python选项。

先谢谢您

丹尼尔

Answer 1

尝试添加“尝试/例外”，其中“例外”将Record.ID写入单独的文件。如果尝试失败，它将不会写入，并且Except将收集Record.ID供以后下载。