Biopython序列I/O操作

广告位

Biopython提供了一个模块Bio.SeqIO来分别从文件读取序列和向文件写入序列(任何流)。它支持生物信…

Biopython提供了一个模块Bio.SeqIO来分别从文件读取序列和向文件写入序列(任何流)。它支持生物信息学中几乎所有可用的文件格式。大多数软件为不同的文件格式提供了不同的方法。但是,Biopython有意识地遵循一种方法,通过SeqRecord对象向用户显示已解析的序列数据。

在下一节中将了解有关SeqRecord的更多信息。

1. SeqRecord

Bio.SeqRecord模块提供SeqRecord来保存序列的元信息以及序列数据本身,如下所示:

  • seq − 一个实际的顺序。
  • id − 给定序列的主要标识符,默认类型是字符串。
  • name − 序列的名称,默认类型是字符串。
  • description − 显示有关该序列的人类可读信息。
  • annotations − 有关序列的其他信息的字典。

可以按以下指定的方式导入SeqRecord

from Bio.SeqRecord import SeqRecord 

在接下来的部分中,让我们了解使用实际序列文件解析序列文件的细微差别。

2. 解析序列文件格式

本节说明有关如何解析两种最受欢迎的序列文件格式FASTAGenBank

2.1. FASTA

FASTA是用于存储序列数据的最基本的文件格式。最初,FASTA是用于DNA和蛋白质序列比对的软件包,该软件包是在生物信息学的早期发展过程中开发的,主要用于搜索序列相似性。

Biopython提供了一个示例FASTA文件,可以从- 访问该文件。

将此文件下载为orchid.fasta并将其保存到Biopython示例目录中。

Bio.SeqIO模块提供parse()方法来处理序列文件,可以按如下方式导入 –

from Bio.SeqIO import parse 

parse()方法包含两个参数,第一个是文件句柄,第二个是文件格式。

>>> file = open('path/to/biopython/sample/orchid.fasta')  >>> for record in parse(file, "fasta"):  ...    print(record.id)  ...  gi|2765658|emb|Z78533.1|CIZ78533  gi|2765657|emb|Z78532.1|CCZ78532  ..........  ..........  gi|2765565|emb|Z78440.1|PPZ78440  gi|2765564|emb|Z78439.1|PBZ78439  >>> 

在这里,parse()方法返回一个可迭代的对象,该对象在每次迭代时都返回SeqRecord。可迭代的它提供了许多复杂而简单的方法。

next()

next()方法返回可迭代对象中的下一个可用项目,可以使用它来获得第一个序列,如下所示:

>>> first_seq_record = next(SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta'))  >>> first_seq_record.id 'gi|2765658|emb|Z78533.1|CIZ78533'  >>> first_seq_record.name 'gi|2765658|emb|Z78533.1|CIZ78533'  >>> first_seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', SingleLetterAlphabet())  >>> first_seq_record.description 'gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA'  >>> first_seq_record.annotations  {}  >>> 

此处,seq_record.annotations为空,因为FASTA格式不支持序列注释。

列表理解

可以使用列表理解将可迭代对象转换为列表,如下所示:

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta')  >>> all_seq = [seq_record for seq_record in seq_iter] >>> len(all_seq)  94  >>> 

在这里,使用len方法获取序列中项目的总数。如下所示:

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta')  >>> max_seq = max(len(seq_record.seq) for seq_record in seq_iter)  >>> max_seq  789  >>> 

也可以使用以下代码过滤序列 –

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta')  >>> seq_under_600 = [seq_record for seq_record in seq_iter if len(seq_record.seq) < 600]  >>> for seq in seq_under_600:  ...    print(seq.id)  ...  gi|2765606|emb|Z78481.1|PIZ78481  gi|2765605|emb|Z78480.1|PGZ78480  gi|2765601|emb|Z78476.1|PGZ78476  gi|2765595|emb|Z78470.1|PPZ78470  gi|2765594|emb|Z78469.1|PHZ78469  gi|2765564|emb|Z78439.1|PBZ78439  >>> 

SqlRecord对象(已解析的数据)的集合写入文件就像调用SeqIO.write方法一样简单,如下所示:

file = open("converted.fasta", "w)  SeqIO.write(seq_record, file, "fasta") 

此方法可以有效地用于转换以下指定的格式 –

file = open("converted.gbk", "w)  SeqIO.write(seq_record, file, "genbank") 

2.2. GenBank

它是基因的更丰富的序列格式,并且包括用于各种注释的字段。Biopython提供了一个示例GenBank文件,可以访问 – 并下载。

将文件下载为orchid.gbk并将其保存到Biopython示例目录中。

由于Biopython提供了一个函数 – parse()可以解析所有生物信息学格式。解析GenBank格式就像在parse方法中更改format选项一样简单。

参考下面给出的代码:

>>> from Bio import SeqIO  >>> from Bio.SeqIO import parse  >>> seq_record = next(parse(open('path/to/biopython/sample/orchid.gbk'),'genbank'))  >>> seq_record.id  'Z78533.1'  >>> seq_record.name  'Z78533'  >>> seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', IUPACAmbiguousDNA())  >>> seq_record.description  'C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA'  >>> seq_record.annotations {    'molecule_type': 'DNA',     'topology': 'linear',     'data_file_division': 'PLN',     'date': '30-NOV-2006',     'accessions': ['Z78533'],     'sequence_version': 1,     'gi': '2765658',     'keywords': ['5.8S ribosomal RNA', '5.8S rRNA gene', 'internal transcribed spacer', 'ITS1', 'ITS2'],     'source': 'Cypripedium irapeanum',     'organism': 'Cypripedium irapeanum',     'taxonomy': [       'Eukaryota',        'Viridiplantae',        'Streptophyta',        'Embryophyta',        'Tracheophyta',        'Spermatophyta',        'Magnoliophyta',        'Liliopsida',        'Asparagales',        'Orchidaceae',        'Cypripedioideae',        'Cypripedium'],     'references': [       Reference(title = 'Phylogenetics of the slipper orchids (Cypripedioideae:       Orchidaceae): nuclear rDNA ITS sequences', ...),        Reference(title = 'Direct Submission', ...)    ] } 

  

說着敷衍話

关于作者: 說着敷衍話

为您推荐