Biopython序列I/O操作

Biopython序列I/O操作

Biopython提供了一个模块Bio.SeqIO来分别从文件读取序列和向文件写入序列(任何流)。它支持生物信息学中几乎所有可用的文件格式。大多数软件为不同的文件格式提供了不同的方法。但是，Biopython有意识地遵循一种方法，通过SeqRecord对象向用户显示已解析的序列数据。

在下一节中将了解有关SeqRecord的更多信息。

1. SeqRecord

Bio.SeqRecord模块提供SeqRecord来保存序列的元信息以及序列数据本身，如下所示：

  • seq − 一个实际的顺序。
  • id − 给定序列的主要标识符，默认类型是字符串。
  • name − 序列的名称，默认类型是字符串。
  • description − 显示有关该序列的人类可读信息。
  • annotations − 有关序列的其他信息的字典。

可以按以下指定的方式导入SeqRecord：

from Bio.SeqRecord import SeqRecord

在接下来的部分中，让我们了解使用实际序列文件解析序列文件的细微差别。

2. 解析序列文件格式

本节说明有关如何解析两种最受欢迎的序列文件格式FASTA和GenBank。

2.1. FASTA

FASTA是用于存储序列数据的最基本的文件格式。最初，FASTA是用于DNA和蛋白质序列比对的软件包，该软件包是在生物信息学的早期发展过程中开发的，主要用于搜索序列相似性。

Biopython提供了一个示例FASTA文件，可以从- https://github.com/biopython/biopython/blob/master/Doc/examples/ls_orchid.fasta 访问该文件。

将此文件下载为orchid.fasta并将其保存到Biopython示例目录中。

Bio.SeqIO模块提供parse()方法来处理序列文件，可以按如下方式导入 -

from Bio.SeqIO import parse

parse()方法包含两个参数，第一个是文件句柄，第二个是文件格式。

>>> file = open('path/to/biopython/sample/orchid.fasta') 
>>> for record in parse(file, "fasta"): 
...    print(record.id) 
... 
gi|2765658|emb|Z78533.1|CIZ78533 
gi|2765657|emb|Z78532.1|CCZ78532 
.......... 
.......... 
gi|2765565|emb|Z78440.1|PPZ78440 
gi|2765564|emb|Z78439.1|PBZ78439 
>>>

在这里，parse()方法返回一个可迭代的对象，该对象在每次迭代时都返回SeqRecord。可迭代的它提供了许多复杂而简单的方法。

next()

next()方法返回可迭代对象中的下一个可用项目，可以使用它来获得第一个序列，如下所示：

>>> first_seq_record = next(SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta')) 
>>> first_seq_record.id 'gi|2765658|emb|Z78533.1|CIZ78533' 
>>> first_seq_record.name 'gi|2765658|emb|Z78533.1|CIZ78533' 
>>> first_seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', SingleLetterAlphabet()) 
>>> first_seq_record.description 'gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA' 
>>> first_seq_record.annotations 
{} 
>>>

此处，seq_record.annotations为空，因为FASTA格式不支持序列注释。

列表理解

可以使用列表理解将可迭代对象转换为列表，如下所示：

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> all_seq = [seq_record for seq_record in seq_iter] >>> len(all_seq) 
94 
>>>

在这里，使用len方法获取序列中项目的总数。如下所示：

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> max_seq = max(len(seq_record.seq) for seq_record in seq_iter) 
>>> max_seq 
789 
>>>

也可以使用以下代码过滤序列 -

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> seq_under_600 = [seq_record for seq_record in seq_iter if len(seq_record.seq) < 600] 
>>> for seq in seq_under_600: 
...    print(seq.id) 
... 
gi|2765606|emb|Z78481.1|PIZ78481 
gi|2765605|emb|Z78480.1|PGZ78480 
gi|2765601|emb|Z78476.1|PGZ78476 
gi|2765595|emb|Z78470.1|PPZ78470 
gi|2765594|emb|Z78469.1|PHZ78469 
gi|2765564|emb|Z78439.1|PBZ78439 
>>>

将SqlRecord对象(已解析的数据)的集合写入文件就像调用SeqIO.write方法一样简单，如下所示：

file = open("converted.fasta", "w) 
SeqIO.write(seq_record, file, "fasta")

此方法可以有效地用于转换以下指定的格式 - 

file = open("converted.gbk", "w) 
SeqIO.write(seq_record, file, "genbank")

2.2. GenBank

它是基因的更丰富的序列格式，并且包括用于各种注释的字段。Biopython提供了一个示例GenBank文件，可以访问 - https://github.com/biopython/biopython/blob/master/Doc/examples/ls_orchid.fasta 并下载。

将文件下载为orchid.gbk并将其保存到Biopython示例目录中。

由于Biopython提供了一个函数 - parse()可以解析所有生物信息学格式。解析GenBank格式就像在parse方法中更改format选项一样简单。

参考下面给出的代码：

>>> from Bio import SeqIO 
>>> from Bio.SeqIO import parse 
>>> seq_record = next(parse(open('path/to/biopython/sample/orchid.gbk'),'genbank')) 
>>> seq_record.id 
'Z78533.1' 
>>> seq_record.name 
'Z78533' 
>>> seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', IUPACAmbiguousDNA()) 
>>> seq_record.description 
'C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA' 
>>> seq_record.annotations {
   'molecule_type': 'DNA', 
   'topology': 'linear', 
   'data_file_division': 'PLN', 
   'date': '30-NOV-2006', 
   'accessions': ['Z78533'], 
   'sequence_version': 1, 
   'gi': '2765658', 
   'keywords': ['5.8S ribosomal RNA', '5.8S rRNA gene', 'internal transcribed spacer', 'ITS1', 'ITS2'], 
   'source': 'Cypripedium irapeanum', 
   'organism': 'Cypripedium irapeanum', 
   'taxonomy': [
      'Eukaryota', 
      'Viridiplantae', 
      'Streptophyta', 
      'Embryophyta', 
      'Tracheophyta', 
      'Spermatophyta', 
      'Magnoliophyta', 
      'Liliopsida', 
      'Asparagales', 
      'Orchidaceae', 
      'Cypripedioideae', 
      'Cypripedium'], 
   'references': [
      Reference(title = 'Phylogenetics of the slipper orchids (Cypripedioideae:
      Orchidaceae): nuclear rDNA ITS sequences', ...), 
      Reference(title = 'Direct Submission', ...)
   ]
}

目录
Biopython序列I/O操作