Skip to main content
 首页 » 编程设计

python之通过已知序列从fasta文件中提取序列和 header

2025年02月15日9jpfss

我正在尝试比较两个文件并提取具有其他文件子集的序列。而且,我也想提取标识符。但是,我能做的是能够提取包括子集的序列。示例文件是:

text.fa 
>header1 
ETTTHAASCISATTVQEQ*TLFRLLP 
>header2 
SKSPCSDSDY**AAA 
>header3 
SSGAVAAAPTTA 

和,

textref.fa 
>textref.fa 
CISA 
AAAP 
AATP 

当我运行代码时,我得到了这个输出:

ETTTHAASCISATTVQEQ*TLFRLLP 
SSGAVAAAPTTA 

但是,我预期的输出是带有标题的:

>header1 
ETTTHAASCISATTVQEQ*TLFRLLP 
>header3 
SSGAVAAAPTTA 

我的代码分为两部分,首先我用这些序列创建文件,然后我尝试从原始 fasta 文件中提取它们及其 header :

def get_nucl(filename): 
    with open(filename,'r') as fd: 
        nucl = [] 
        for line in fd: 
            if line[0]!='>': 
                nucl.append(line.strip()) 
        return nucl 
def finding(filename,reffile): 
        nucl = get_nucl(filename) 
        with open(reffile,'r') as reffile2: 
            for line in reffile2: 
                for element in nucl: 
                    if line.strip() in element: 
                            yield(element) 
 
 
 
    with open('sequencesmatched.txt','w') as output: 
            results = finding('text.fa','textref.fa',) 
            for res in results: 
                print(res) 
                output.write(res + '\n') 

因此,在这个 sequencesmatched.txt 中,我得到了 text.fa 的序列,其中包含 textref.fa 的子字符串。作为:

ETTTHAASCISATTVQEQ*TLFRLLP 
SSGAVAAAPTTA 

因此在另一部分中,检索相应的 header 和这些序列:

    def finding(filename,seqfile): 
        with open(filename,'r') as fastafile: 
                with open(seqfile,'r') as sequf: 
                        alls=[] 
                        for line in fastafile: 
                                alls.append(line.strip()) 
                        print(alls) 
                        sequfs = [] 
                        for line2 in sequf: 
                                sequfs.append(line2.strip()) 
                                if str(line.strip()) == str(line2.strip()): 
                                        num = alls.index(line.strip()) 
                                        print(alls[num-1] + line) 
 
 
print(finding('text.fa','sequencesmatched.txt')) 

但是,作为输出,我只能检索一个序列,即第一个匹配项:

>header1 
ETTTHAASCISATTVQEQ*TLFRLLP 

也许我可以在没有第二个文件的情况下做到这一点,但我无法进行正确的循环来获取序列及其各自的标题。因此,我走了很远的路..

如果你能帮上忙,我会很高兴!

请您参考如下方法:

如果你的文件总是相同的结构,你可以做一些更容易的事情:

def get_nucl(filename): 
    with open(filename, 'r') as fd: 
        headers = {} 
        key = '' 
        for line in fd.readlines():     
            if '>' in line: 
                key = line.strip()[1:] # to remove the '>' 
            else: 
                headers[key] = line.strip() 
 
    return headers  

这里我假设您的文件以“>headern”开头,否则您必须添加一些测试。现在你有了像 headers['header1'] = 'ETTTHAASCISATTVQEQ*TLFRLLP' 这样的字典。

所以现在要找到匹配项,您只需使用该字典:

def finding(filename, reffile): 
    headers = get_nucl(filename) 
    with open(reffile, 'r') as f: 
        matches = {} 
        for line in f.readlines(): 
            for key, value in headers.items(): 
                if line.stip() in value and key not in matches: 
                    matches[key] = value 
 
    return matches 

因此,当您有一个 header 与它们的值匹配的字典时,如果您有一个子字符串,并且您已经将 header 值作为键,则只需 checkin 字典即可。

刚刚看到你做了 print(finding(....) ,你的函数已经打印了,所以就调用它吧。