Skip to main content
 首页 » 编程设计

python之如何使用Python根据坐标信息检索FASTA序列

2025年05月04日12findumars

我想根据bed文件B.bed获取序列,其中包含序列的坐标信息,通过将坐标与fasta文件A.fasta进行匹配,并根据B.bed文件检索相应的序列。 Fasta 文件是带有序列 ID 的普通文件,后面跟着它的核苷酸 ATCG。但是我得到下面的关键错误。谁能帮我?

from Bio import SeqIO 
from Bio.Seq import Seq 
from Bio.SeqRecord import SeqRecord 
from collections import defaultdict 
 
# read names and postions from bed file 
positions = defaultdict(list) 
with open('B.bed') as f: 
    for line in f: 
        name, start, stop = line.split() 
        positions[name].append((int(start), int(stop))) 
 
# parse faste file and turn into dictionary 
records = SeqIO.to_dict(SeqIO.parse(open('A.fasta'), 'fasta')) 
 
# search for short sequences 
short_seq_records = [] 
for name in positions: 
    for (start, stop) in positions[name]:         
        long_seq_record = records[name] 
        long_seq = long_seq_record.seq 
        alphabet = long_seq.alphabet 
        short_seq = str(long_seq)[start-1:stop]         
        short_seq_record =SeqRecord(Seq(name))+ '\t'+str(start)+'\t'+str(stop)+'\t' + SeqRecord(Seq(short_seq, alphabet)) 
    short_seq_records.append(short_seq_record) 
 
# write to file 
with open('C.fasta', 'w') as f: 
    SeqIO.write(short_seq_records,f, 'fasta') 

A.fasta

>chr16:13361561-13361573 
TAGTGGGTCAGAC 
>chr6_apd_hap1:2165669-2165681 
AGATGAGTCATCA 
>chr10:112612173-112612185 
AAGTGTGTCAGCT 

床

chr6_apd_hap1   2165668 2165681 
chr10   112612172   112612185 

C.fasta 的预期输出

>chr6_apd_hap1:2165669-2165681 
AGATGAGTCATCA 
>chr10:112612173-112612185 
AAGTGTGTCAGCT 

但我收到以下错误:

long_seq_record = records[name] 
KeyError: 'chr6_apd_hap1' 

请您参考如下方法:

在您的代码中,positions 是一个 defaultdict,它具有 BED 文件中的名称作为键:

>>> print positions.keys() 
['chr10', 'chr6_apd_hap1'] 

而 records 是一个字典,它以 FASTA 文件的标题作为键,减去开头的 >,但它们仍然包括冒号和位置染色体:

>>> print records.keys() 
['chr16:13361561-13361573', 'chr6_apd_hap1:2165669-2165681', 'chr10:112612173-112612185'] 

因此,您首先需要转换您的 records 键以释放额外信息,以便您可以使用 positions 键来检索它们。您可以在创建 records 字典后添加以下行来执行此操作:

records = {key.split(':')[0]: value for (key, value) in records.iteritems()} 

此外,您目前构建short_seq_record 的方式实际上并不奏效。替换行

short_seq = str(long_seq)[start-1:stop]         
short_seq_record =SeqRecord(Seq(name))+ '\t'+str(start)+'\t'+str(stop)+'\t' + SeqRecord(Seq(short_seq, alphabet)) 

与:

short_seq = Seq(str(long_seq)[start-1:stop], alphabet) 
short_seq_id = '{0}\t{1}\t{2}'.format(name, start, stop) 
short_seq_record = SeqRecord(short_seq, id=short_seq_id, description='')