python从gbff文件中直接提取cds序列

目录

• 什么是GBFF文件
• 每个序列条目所代表的意义
• 最后直接上代，更改输入和输出文件即可使用

什么是GBFF文件

• GenBank纯文本文件格式(GenBank flatfile， 简称GBFF)
• GBFF是GenBank数据库的基本信息单位
• GBFF序列文件由单个的序列条目组成。
• 序列条目由字段组成，每个字段由关键字起始，后面为该 字段的具体说明。
• 字段分若干次子字段，以次关键字或特性表说明符开始。
• 每个序列条目以双斜杠“//*作结束标记

每个序列条目所代表的意义

1、 LOCUS（代码）序列的功能、序列长度、类型、种属来源、录入日期

2、 DEFINITION（说明）所含的生物学意义的总结性描述

3、 ACCESSION（编号）具有唯一性和永久性

4、 VERSION（版本号）检索号、版本号

5、 KEYWORDS（关键词）描述序列，“ . ”表示没有任何描述内容

6、 SOURCE（数据来源）序列来源生物的简称，或分子类型

7、 REFERENCE （文献）与该数据有关的参考文献，按发表时间排名

8、 FEATURES（特性表）描述基因和基因的产物，以及与序列相关的生物学特性，其中包括
 

• a. 特性关键词(Feature key) 简要说明功能组的关键词
• b. 特性位置(Location) 指明在特性表中的什么地方找到相关特性
• c. 限定词(Qualifiers) 相关特性的辅助信息

9、 ORIGIN（碱基排列顺序）类似于FASTA格式给出了所记录的序列

最后直接上代，更改输入和输出文件即可使用

import re
FILE_PATH = './input.gb'
OUT_FILE_PATH = './output.fasta'
d = {}
g = {}
tem = []
def con_spl(list_,n = 2):
    return [list_[i:i + n] for i in range(0, len(list_), n)]
with open (FILE_PATH,'r')as f:
    while True:
        text_line = f.readline().strip('\t').split()
        if text_line:
            if text_line[0] == 'DEFINITION':
                c = ' '.join(i for i in text_line[2:])
                d[c] = []
                g[c] = []
                print (text_line)
            elif text_line[0] == 'CDS':
                cds = re.findall(r"\d+\d*?",text_line[1])
                if len(cds) == 2:
                    d[c].append(cds)
                else:
                    for i in con_spl(cds):
                        d[c].append(i)
            elif text_line[0] == 'ORIGIN':
                while text_line[0] != '//':
                    for i in text_line[1:]:
                        tem.append(i)
                    text_line = f.readline().strip('\t').split()
                e = ''.join(i for i in tem)
                g[c].append(e)
            else:
                pass
        elif f.readline().strip('\t').split():
            continue
        else:
            break
with open (OUT_FILE_PATH,'w')as f:
    for i,o in d.items():
        G = ''.join(g[I])
        p = ''
        for u in o:
            u1 = int(u[0])
            u2 = int(u[1])+1
            p += G[u1:u2]
        print ('>',i,sep='',file=f)
        print (p,file=f)

以上就是python从gbff文件中直接提取cds序列的详细内容，更多关于python提取gbff文件cds序列的资料请关注脚本之家其它相关文章！