Question

我正在开发用于生物信息分析的python脚本。首先，脚本读取整个文件（.fasta –基本是一个很长的字符串）以找到所有支架（以“>”开头的行），然后打印出找到的支架数量。我有两个类似的输入文件.fasta，一个具有超过1.5GB的文件，可在一分钟内运行，另一个具有85MB的文件，耗时超过31小时。

import sys

cabecalho = []
sequencia = []
contador = -1
file_open = open('C:\PYTHON\Chr09.fasta', "r")
for line in file_open:
    line = line.rstrip()
    if ">" in line:
        cabecalho.append(line)
        contador += 1
        sequencia.insert(contador, '')
    else:
        sequencia[contador] += line
con = contador + 1
print(con)

该如何优化此脚本的运行速度？或者如何检查文件出了什么问题（它们具有相同的格式和相同的文本配置。）

Answer 1

首先，你不需要重新发明weel，Biopython可以轻松处理fasta文件，例如：

from Bio import SeqIO

myseqs = {}
fasta_sequences = SeqIO.parse(open('C:\PYTHON\Chr09.fasta'), 'fasta')
for fasta in fasta_sequences:
 name, sequence = fasta.description, str(fasta.seq)
 myseqs[name] = sequence

print("total sequences: "+len(myseqs))

通过这种方式，您还可以将序列作为 dict，以便通过 fasta 标头轻松访问并执行您想做的任何操作。

最后，安装 biopython 只需输入

<块引用>

pip install biopython

其他不用python的方法，如果你只想知道脚手架的数量，可以在unix环境下用grep命令一行搞定

<块引用>

grep -c ">" myfasta.fasta

-c 仅用于计数匹配

问候

如何提高生物信息学脚本的速度？

1 个答案: