python之Biopython(或一般的 Python): Most Efficient Way to Parse Species Name From A large . 使用 gi 标识符的 fasta 文件

我有一个约 145000 个条目的 .fasta 文件(本质上是 .txt)

>gi|393182|gb|AAA40101.1| cytokine [Mus musculus] 
MDAKVVAVLALVLAALCISDGKPVSLSYRCPCRFFESHIARANVKHLKILNTPNCALQIVARLKNNNRQV 
CIDPKLKWIQEYLEKALNKRLKM 
 
>gi|378792467|pdb|3UNH|Y Chain Y, Mouse 20s Immunoproteasome 
TTTLAFKFQHGVIVAVDSRATAGSYISSLRMNKVIEINPYLLGTMSGCAADCQYWERLLAKECRLYYLRN 
GERISVSAASKLLSNMMLQYRGMGLSMGSMICGWDKKGPGLYYVDDNGTRLSGQMFSTGSGNTYAYGVMD 
SGYRQDLSPEEAYDLGRRAIAYATHRDNYSGGVVNMYHMKEDGWVKVESSDVSDLLYKYGEAAL 
 
>gi|378792462|pdb|3UNH|T Chain T, Mouse 20s Immunoproteasome 
MSSIGTGYDLSASTFSPDGRVFQVEYAMKAVENSSTAIGIRCKDGVVFGVEKLVLSKLYEEGSNKRLFNV 
DRHVGMAVAGLLADARSLADIAREEASNFRSNFGYNIPLKHLADRVAMYVHAYTLYSAVRPFGCSFMLGS 
YSANDGAQLYMIDPSGVSYGYWGCAIGKARQAAKTEIEKLQMKEMTCRDVVKEVAKIIYIVHDEVKDKAF 
ELELSWVGELTKGRHEIVPKDIREEAEKYAKESLKEEDESDDDNM 

1. 我有一个 gi 列表(| 之后列出的第一个数字)。
2. 对于给定的测试，此列表的大小在 60 - 600 gi 之间变化
3. 我想返回一个列表，其中包含这些 gi 的各个物种
4. 物种名称通常如第一个示例所示(用方括号 [Mus musculus] 括起来)，但并不总是存在。
5. 顺序不是特别重要。

我一直在使用各种 BioPython 解析点点滴滴，但我认为由于搜索的大小，它失败了。我希望这里有人知道更有效的方法？

提前致谢!

请您参考如下方法:

与其解析物种的不完全一致的 FASTA 标题行，不如提取 GI 编号，然后查找 NCBI 分类 ID，例如见http://lists.open-bio.org/pipermail/biopython/2009-June/005304.html - 从出租车上您可以获得物种名称、通用名称、血统等。参见 ftp://ftp.ncbi.nih.gov/pub/taxonomy/taxdump_readme.txt或者，如果您更喜欢在线解决方案，Entrez Utilities (EUtils) 是另一种选择。