Biopython序列

Biopython序列

Biopython序列是指一系列字母，用于表示生物体的蛋白质，DNA或RNA。它由Seq类表示。Seq类在Bio.Seq模块中定义。

下面来看看如何在Biopython中创建一个简单的序列，如下所示：

>>> from Bio.Seq import Seq 
>>> seq = Seq("AGCT") 
>>> seq 
Seq('AGCT') 
>>> print(seq) 
AGCT

在这里，我们创建了一个简单的蛋白质序列AGCT，每个字母代表丙氨酸，甘氨酸，半胱氨酸和苏氨酸。

每个Seq对象都有两个重要的属性：

  • data - 实际序列字符串(AGCT)
  • alphabet - 用于表示序列的类型。例如 DNA序列，RNA序列等。默认情况下，它不代表任何序列，本质上是通用的。

1. Alphabet模块

Seq对象包含Alphabet属性，用于指定序列类型，字母和可能的操作。它在Bio.Alphabet模块中定义。Alphabet可以定义如下：

>>> from Bio.Seq import Seq 
>>> myseq = Seq("AGCT") 
>>> myseq 
Seq('AGCT') 
>>> myseq.alphabet 
Alphabet()

Alphabet模块提供以下类来表示不同类型的序列。Alphabet是所有字母类型的基类。
SingleLetterAlphabet- 具有大小为1的字母的通用字母。它从Alphabet派生，所有其他字母类型也从它派生。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import single_letter_alphabet 
>>> test_seq = Seq('AGTACACTGGT', single_letter_alphabet) 
>>> test_seq 
Seq('AGTACACTGGT', SingleLetterAlphabet())

ProteinAlphabet - 通用单字母蛋白质字母。用法如下：

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_protein 
>>> test_seq = Seq('AGTACACTGGT', generic_protein) 
>>> test_seq 
Seq('AGTACACTGGT', ProteinAlphabet())

NucleotideAlphabet - 通用单字母核苷酸字母。用法如下：

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_nucleotide 
>>> test_seq = Seq('AGTACACTGGT', generic_nucleotide) >>> test_seq 
Seq('AGTACACTGGT', NucleotideAlphabet())

DNAAlphabet - 通用单字母DNA字母。用法如下：

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_dna 
>>> test_seq = Seq('AGTACACTGGT', generic_dna) 
>>> test_seq 
Seq('AGTACACTGGT', DNAAlphabet())

RNAAlphabet - 通用单字母RNA字母。用法如下：

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_rna 
>>> test_seq = Seq('AGTACACTGGT', generic_rna) 
>>> test_seq 
Seq('AGTACACTGGT', RNAAlphabet())

Biopython模块Bio.Alphabet.IUPAC提供了IUPAC社区定义的基本序列类型。它包含以下类：

  • IUPACProtein (protein) - IUPAC 20个标准氨基酸的蛋白质字母。
  • ExtendedIUPACProtein (extended_protein) - 扩展的大写IUPAC蛋白单字母字母，包括X。
  • IUPACAmbiguousDNA (ambiguous_dna) - 大写IUPAC含混的DNA。
  • IUPACUnambiguousDNA (unambiguous_dna) - 大写IUPAC明确的DNA(GATC)。
  • ExtendedIUPACDNA (extended_dna) - 扩展的IUPAC DNA字母。
  • IUPACAmbiguousRNA (ambiguous_rna) - 大写IUPAC含混的RNA。
  • IUPACUnambiguousRNA (unambiguous_rna) - 大写IUPAC明确RNA(GAUC)。

考虑一下IUPACProtein类的简单示例，如下所示 -

>>> from Bio.Alphabet import IUPAC 
>>> protein_seq = Seq("AGCT", IUPAC.protein) 
>>> protein_seq 
Seq('AGCT', IUPACProtein()) 
>>> protein_seq.alphabet

此外，Biopython通过Bio.Data模块公开所有与生物信息学相关的配置数据。例如，IUPACData.protein_letters具有IUPACProtein字母的可能字母。

>>> from Bio.Data import IUPACData 
>>> IUPACData.protein_letters 
'ACDEFGHIKLMNPQRSTVWY'

2. 基本操作

本节简要说明了Seq类中可用的所有基本操作。序列类似于python字符串。我们可以按顺序执行python字符串操作，例如切片，计数，串联，查找，拆分和剥离。

使用以下代码获取各种输出。

依次获取第一个值：

>>> seq_string = Seq("AGCTAGCT") 
>>> seq_string[0] 
'A'

打印前两个值：

>>> seq_string[0:2] 
Seq('AG')

打印所有值：

>>> seq_string[ : ] 
Seq('AGCTAGCT')

执行长度和计数操作：

>>> len(seq_string) 
8 
>>> seq_string.count('A') 
2

要添加两个序列：

>>> from Bio.Alphabet import generic_dna, generic_protein 
>>> seq1 = Seq("AGCT", generic_dna) 
>>> seq2 = Seq("TCGA", generic_dna)
>>> seq1+seq2 
Seq('AGCTTCGA', DNAAlphabet())

在这里，上述两个序列对象seq1，seq2是通用DNA序列，因此可以添加它们并生成新序列。不能添加字母到不兼容的序列，例如下面指定的蛋白质序列和DNA序列：

>>> dna_seq = Seq('AGTACACTGGT', generic_dna) 
>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> dna_seq + protein_seq 
..... 
..... 
TypeError: Incompatible alphabets DNAAlphabet() and ProteinAlphabet() 
>>>

要添加两个或多个序列，请先将其存储在python列表中，然后使用for循环进行检索，最后将其添加在一起，如下所示：

>>> from Bio.Alphabet import generic_dna 
>>> list = [Seq("AGCT",generic_dna),Seq("TCGA",generic_dna),Seq("AAA",generic_dna)] 
>>> for s in list: 
... print(s) 
... 
AGCT 
TCGA 
AAA 
>>> final_seq = Seq(" ",generic_dna) 
>>> for s in list: 
... final_seq = final_seq + s 
... 
>>> final_seq 
Seq('AGCTTCGAAAA', DNAAlphabet())

在下面示例代码中，将根据要求给出各种代码以获取输出。

更改序列的大小写。

>>> from Bio.Alphabet import generic_rna 
>>> rna = Seq("agct", generic_rna) 
>>> rna.upper() 
Seq('AGCT', RNAAlphabet())

检查python成员和身份运算符。

>>> rna = Seq("agct", generic_rna) 
>>> 'a' in rna 
True 
>>> 'A' in rna 
False 
>>> rna1 = Seq("AGCT", generic_dna) 
>>> rna is rna1 
False

查找给定序列内的单个字母或字母序列。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.find('G') 
1 
>>> protein_seq.find('GG') 
8

执行拆分操作。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.split('A') 
[Seq('', ProteinAlphabet()), Seq('GU', ProteinAlphabet()), 
   Seq('C', ProteinAlphabet()), Seq('CUGGU', ProteinAlphabet())]

在序列中执行剥离操作。

>>> strip_seq = Seq(" AGCT ") 
>>> strip_seq 
Seq(' AGCT ') 
>>> strip_seq.strip() 
Seq('AGCT')

目录
Biopython序列