我有一个这样的文件(txt 或 fasta)。每个序列仅位于一行中。
>Line1
ATCGCGCTANANAGCTANANAGCTAGANCACGATAGAGAGAGACTATAGC
>Line2
ATTGCGCTANANAGCTANANCGATAGANCACGAAAGAGATAGACTATAGC
>Line3
ATCGCGCTANANAGCTANANGGCTAGANCNCGAAAGNGATAGACTATAGC
>Line4
ATTGCGCTANANAGCTANANGGATAGANCACGAGAGAGATAGACTATAGC
>Line5
ATTGCGCTANANAGCTANANCGATAGANCACGATNGAGATAGACTATAGC
我必须得到一个矩阵,其中每个位置对应于序列的每个字母(核苷酸)。在这种情况下,矩阵为 (5x50)。 我一直在处理 numpy 方法。我希望有人能帮助我。
请您参考如下方法:
如果您在 Python 中处理 DNA 序列数据,我建议您使用 Biopython图书馆。您可以使用 pip install biopython 安装它。
以下是您实现预期结果的方法:
from Bio import SeqIO
import os
import numpy as np
pathToFile = os.path.join("C:\\","Users","Kevin","Desktop","test.fasta") #windows machine
allSeqs = []
for seq_record in SeqIO.parse(pathToFile, """fasta"""):
allSeqs.append(seq_record.seq)
seqMat = np.array(allSeqs)
但是在for循环中,每个seq_record.seq都是一个Seq对象,使您可以灵活地对其执行操作。
In [5]: seqMat.shape
Out[5]: (5L, 50L)
您可以根据需要对 seqMat 数组进行切片。
In [6]: seqMat[0]
Out[6]: array(['A', 'T', 'C', 'G', 'C', 'G', 'C', 'T', 'A', 'N', 'A', 'N', 'A',
'G', 'C', 'T', 'A', 'N', 'A', 'N', 'A', 'G', 'C', 'T', 'A', 'G',
'A', 'N', 'C', 'A', 'C', 'G', 'A', 'T', 'A', 'G', 'A', 'G', 'A',
'G', 'A', 'G', 'A', 'C', 'T', 'A', 'T', 'A', 'G', 'C'],
dtype='|S1')
不过,强烈建议您查看教程!
