用python从gbff文件中直接提取cds序列

首先，我们要了解一下什么是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

然后看一下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)

如果有用请不要忘记点赞加关注，期待你的留言