59.《Bioinformatics Data Skills》之解析FASTX文件并清点碱基数目

FASTA/FASTQ文件的解析看起来是一件比较容易的事情，然而如果你尝试亲自编写代码的话就会发现很难全面地考虑问题。更好的方式是使用开源的库，这些库经过了广大用户的测试，更加鲁棒，同时速度更快。

有很多工具可以实现这一目标，这里介绍一个由Li Heng开发的独立的解析FASTA/FASTQ文件的python脚本，叫做readfq.py（下载地址）。函数的输入输出分别为：

1. FASTX的文件对象（文件对象可以由open([file])或者标准输入流创建）
2. 返回值为一个元组，内容为序列的描述，序列，序列质量（FASTA文件序列质量为None）

这里通过一个例子来展示此脚本：统计FASTA文件碱基数目

数据下载地址：https://github.com/vsbuffalo/bds-files/tree/master/chapter-10-sequence

#!/usr/bin/env python
# -*- coding:utf-8 -* #1
# count_nucleotides.py -- 清点碱基数目
import sys
from collections import Counter #2
from readfq import readfq #3

IUPAC_BASES = "ACGTRYSWKMBDHVN-." #4

counts = Counter()

for name, seq, qual in readfq(sys.stdin): #5
    counts.update(seq.upper())

for base in IUPAC_BASES:
    print base + "\t" + str(counts[base])

解释：

#1：由于注释有中文，需要在头部加这行
#2：这里引入Counte对象，此对象类似于dict对象，增加的新特性方便统计数字
#3：通过readfq.py文件引入readfq函数
#4：所有可能的碱基字符，由于Counter对象没有顺序，这里列出方便按顺序展示结果
#5：这里调用readfq函数，采用元组拆包的方式定义序列seq对象，使用update函数统计字符的出现数目，这里将所有字母转为大写，所以soft-masked字符也会被统计（这里也可以不使用Counter而采用for循环来统计）

python脚本可以使用python ./count_nucleotides.py的方式运行，也可以在脚本开头加#!/usr/bin/env python配置，然后使用chmod +x count_nucleotides.py赋予运行权限。这里以后者运行程序：

$ cat contam.fastq | ./count_nucleotides.py
A       103
C       110
G       94
T       109
R       0
Y       0
S       0
W       0
K       0
M       0
B       0
D       0
H       0
V       0
N       0
-       0
.       0

以上就是这个脚本的全部内容，此脚本有很大的改进空间，例如增加参数读取文件名而不是使用标准输入流，或者增加特性可以统计每条序列的碱基，soft-masked的碱基，CpG岛的数目，验证输入是否有效等等。这个脚本里面最复杂的部分实际上是readfq函数，通过这个例子也说明了代码重用的重要性，我们没有必要重新实现复杂的函数，这也是专家的编程思路。