BioPython-1

文件解析

1. 针对简单地fasta文件的解析： ls_orchid.fasta
   我们知道fasta文件的一般是以>开头，为一个read，也就是序列的名称，下面是序列，如这样的：

>gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA
CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
AATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG
...

这种文件其实我们用简单地文本处理也是可以解决的，但是Bio库中为我们提供了更为简单地解决方法。

from Bio import SeqIO
for seq_record in SeqIO.parse("ls_orchid.fasta", "fasta"):  # 关于文件格式 [参考这里](https://biopython.org/wiki/SeqIO)
    print(seq_record.id)  # 提取所有的标题 以 > 开头的
    print(seq_record.seq) # 提取出所有的seq，也就是碱基序列
    print(seq_record) # 提取出所有的read
    print(len(seq_record)) # 这个是序列长，不包括标题，只是碱基多少个nc

# 我们解析GBK文件也是同理
for seq_record in SeqIO.parse("ls_orchid.gbk", "genbank"):

# 上面介绍的都是读取多条数据，下面是读取单条数据
SeqIO.read("filename","fasta")  # 针对只有一个read 的fasta文件

遍历序列文件

SeqIO变身迭代器对象：

record_iterator = SeqIO.parse("ls_orchid.fasta", "fasta")

first_record = record_iterator.next()
print first_record.id
print first_record.description

second_record = record_iterator.next()
print second_record.id
print second_record.description

序列文件作为字典-在内存中

from Bio import SeqIO
orchid_dict = SeqIO.to_dict(SeqIO.parse("ls_orchid.fasta", "fasta"))
print orchid_dict.keys()

写入序列文件

Bio.SeqIO.write() 的写入：

from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
from Bio.Alphabet import generic_protein

rec1 = SeqRecord(Seq("MMYQQGCFAGGTVLRLAKDLAENNRGARVLVVCSEITAVTFRGPSETHLDSMVGQALFGD" \
                    +"GAGAVIVGSDPDLSVERPLYELVWTGATLLPDSEGAIDGHLREVGLTFHLLKDVPGLISK" \
                    +"NIEKSLKEAFTPLGISDWNSTFWIAHPGGPAILDQVEAKLGLKEEKMRATREVLSEYGNM" \
                    +"SSAC", generic_protein),
                 id="gi|14150838|gb|AAK54648.1|AF376133_1",
                 description="chalcone synthase [Cucumis sativus]")

rec2 = SeqRecord(Seq("YPDYYFRITNREHKAELKEKFQRMCDKSMIKKRYMYLTEEILKENPSMCEYMAPSLDARQ" \
                    +"DMVVVEIPKLGKEAAVKAIKEWGQ", generic_protein),
                 id="gi|13919613|gb|AAK33142.1|",
                 description="chalcone synthase [Fragaria vesca subsp. bracteata]")

rec3 = SeqRecord(Seq("MVTVEEFRRAQCAEGPATVMAIGTATPSNCVDQSTYPDYYFRITNSEHKVELKEKFKRMC" \
                    +"EKSMIKKRYMHLTEEILKENPNICAYMAPSLDARQDIVVVEVPKLGKEAAQKAIKEWGQP" \
                    +"KSKITHLVFCTTSGVDMPGCDYQLTKLLGLRPSVKRFMMYQQGCFAGGTVLRMAKDLAEN" \
                    +"NKGARVLVVCSEITAVTFRGPNDTHLDSLVGQALFGDGAAAVIIGSDPIPEVERPLFELV" \
                    +"SAAQTLLPDSEGAIDGHLREVGLTFHLLKDVPGLISKNIEKSLVEAFQPLGISDWNSLFW" \
                    +"IAHPGGPAILDQVELKLGLKQEKLKATRKVLSNYGNMSSACVLFILDEMRKASAKEGLGT" \
                    +"TGEGLEWGVLFGFGPGLTVETVVLHSVAT", generic_protein),
                 id="gi|13925890|gb|AAK49457.1|",
                 description="chalcone synthase [Nicotiana tabacum]")

my_records = [rec1, rec2, rec3]
from Bio import SeqIO
SeqIO.write(my_records, "my_example.faa", "fasta")

下面我们学习IUPAC，这是一个可以让我们明确你传入的是DNA，RNA，还是氨基酸序列的碱基串，它提供检查的作用：

from Bio.Alphabet import IUPAC
my_seq = Seq("AGTACACTGGT", IUPAC.unambiguous_dna) # 明确是DNA序列
my_seq.alphabet  # IUPACUnambiguousDNA()
from Bio.SeqUtils import GC   # 可以计算GC量，实际上没有必要，我们自己随便写一个函数就能解决

count = SeqIO.convert("ls_orchid.gbk", "genbank", "my_example.fasta", "fasta")  # 文件格式转换
# ls_orchid.gbk 为已知的genbank文件，转化为my_example.fasta

得到序列的反向互补、互补核苷酸序列：

my_seq = Seq("GATCGATGGGCCTATATAGGATCGAAAATCGC", IUPAC.unambiguous_dna)
my_seq.complement()   # 互补序列
my_seq.reverse_complement()  # 反向互补序列，这个其实可以用切片的方法进行反向

下一步是转录：

coding_dna = Seq("ATGGCCATTGTAATGGGCCGCTGAAAGGGTGCCCGATAG", IUPAC.unambiguous_dna)  # 这是原始的DNA，现在求信使RNA
template_dna = coding_dna.reverse_complement()  # 得到模板RNA
messenger_rna = coding_dna.transcribe()  # 转录
messenger_rna.translate(to_stop=True)  
# 翻译 加了to_stop参数表示终止密码子不翻译 如果表示用的非标准的起始密码子 需要加 cds=True

当你想要改变Seq时；事实上，seq相当于一个元组一样，不能直接改变会报错的，但是可以通过下面的方法：

my_seq = Seq("GCCATTGTAATGGGCCGCTGAAAGGGTGCCCGA", IUPAC.unambiguous_dna)
mutable_seq = my_seq.tomutable()  # 转化为可变的
mutable_seq[5] = "C"
new_seq = mutable_seq.toseq()   # 恢复为不可变的
	

SeqRecord

这是非常重要的知识点，在处理复杂的碱基序列中用得着：

新建 SeqRecord：

simple_seq = Seq("GATC")
from Bio.SeqRecord import SeqRecord
simple_seq_r = SeqRecord(simple_seq)

还可以通过初始化函数给 id, name和description赋值；反之，它们被设为默认值“unknown”（可随后编辑）:

simple_seq_r.id = "AC12345"
simple_seq_r.description = "Made up sequence I wish I could write a paper about"

# 可随SeqRecord同时建立:
SeqRecord(simple_seq, id="AC12345")

用切片从父序列截取5:18,然后取反向互补序列

from Bio.SeqFeature import SeqFeature, FeatureLocation
example_parent = Seq("ACCGAGACGGCAAAGGCTAGCATAGGTATGAGACTTCCTTCCTGCCAGTGCTGAGGAACTGGGAGCCTAC")
example_feature = SeqFeature(FeatureLocation(5, 18), type="gene", strand=-1)
feature_seq = example_feature.extract(example_parent)

SeqRecord 类中的 format() 能将字符串转换成被 Bio.SeqIO 支持的格式，如FASTA:

from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
from Bio.Alphabet import generic_protein

record = SeqRecord(Seq("MMYQQGCFAGGTVLRLAKDLAENNRGARVLVVCSEITAVTFRGPSETHLDSMVGQALFGD" \
                      +"GAGAVIVGSDPDLSVERPLYELVWTGATLLPDSEGAIDGHLREVGLTFHLLKDVPGLISK" \
                      +"NIEKSLKEAFTPLGISDWNSTFWIAHPGGPAILDQVEAKLGLKEEKMRATREVLSEYGNM" \
                      +"SSAC", generic_protein),
                   id="gi|14150838|gb|AAK54648.1|AF376133_1",
                   description="chalcone synthase [Cucumis sativus]")

print record.format("fasta")

多序列比对

Bio.AlignIO.read()只能读取一个多序列比对而Bio.AlignIO.parse()可以依次读取多个序列比对数据 :

from Bio import AlignIO
alignment = AlignIO.read("PF05371_seed.sth", "stockholm")