Python脚本：fasta文件多序列信息统计

设计需求

统计fasta文件中多条序列信息，设计目标效果：

图片.png

将结果输入到csv格式的表格中，因为csv格式表格用，分隔数据。
脚本使用argparse模块，提示输入数据。

import argparse
parser = argparse.ArgumentParser(）
parser.add_argument('integers', type=str, help='输入fasta文件名')
args = parser.parse_args()
#获得integers参数
print(args.integers)

读取多个序列存入字典

当fasta文件中多条序列时，需要解决序列名与对应序列的储存问题。
创建一个fasta字典，将序列名字和序列储存进去。
当line[0]也就是第一个字符等于>时，就将名字赋值给header。
line[1:]是去除line第一个字符。因为fasta以>开头去掉>才是真的名字。
如果line[0]不是>那就是序列，那么我们就把序列储存给fasta字典并对应的序列名。
get()方法语法：
dict.get(key, default=None)
key -- 字典中要查找的键。
default -- 如果指定键的值不存在时，返回该默认值。
fasta[header] = fasta.get(header, '') + sequence使用这句是为了让序列中换行的序列也储存起来，连接两个分行的序列。

#读取序列字典
def read_fasta(input):
    with open(input, 'r') as f:
        fasta = {}
        for line in f:
            line = line.strip()
            if line[0] == '>':
                header = line[1:]
            else:
                sequence = line
                fasta[header] = fasta.get(header, '') + sequence
    return fasta

统计序列信息的函数

命名这个函数为get_info，内部参数为chr
在咱们会将fasta中ATCG的碱基内容赋值给chr，碱基可能有大写有小写，所以我们使用.upper将所以字符变成大写。
再使用.count('G')统计ATCG各自的数量并赋值给对应count_g，我们用ATCG各自的统计数可以在后面计算中免疫N值干扰。
gc含量计算其等于（G的数量+C的数量）/（A的数量+T的数量+C的数量+G的数量）
A的含量等于（A的数量）/（A的数量+T的数量+C的数量+G的数量），其他值的计算以此类推。
.format使用：
"{1} {0} {1}".format("hello", "world")设置指定位置。
'world hello world'
{:.2f} 保留小数点后两位
最后，使用return返回函数结果(gc_con,A_content,T_content,C_content,G_content)

#统计序列信息的函数
def get_info(chr):
    chr = chr.upper()
    count_g = chr.count('G')
    count_c = chr.count('C')
    count_a = chr.count('A')
    count_t = chr.count('T')

    gc = (count_g + count_c) / (count_a + count_t + count_c + count_g)
    A = (count_a) / (count_a + count_t + count_c + count_g)
    T = (count_t) / (count_a + count_t + count_c + count_g)
    C = (count_c) / (count_a + count_t + count_c + count_g)
    G = (count_g) / (count_a + count_t + count_c + count_g)
    gc_con = '{:.2%}'.format(gc)
    A_content = '{:.2%}'.format(A)
    T_content = '{:.2%}'.format(T)
    C_content = '{:.2%}'.format(C)
    G_content = '{:.2%}'.format(G)
    return (gc_con,A_content,T_content,C_content,G_content)

更方便的命令行参数输入

主要有三个步骤：
创建 ArgumentParser() 对象
调用 add_argument() 方法添加参数
使用 parse_args() 解析添加的参数
我们将添加的参数赋值给args

#设置输入使用argparse
parser = argparse.ArgumentParser()
parser.add_argument('--input', '-i',
                        type=str,
                        help='input file in fasta format')
args = parser.parse_args()

输出设置

首先我们通过之前的函数read_fasta获得序列以及序列名的字典，然后创建以输入文件名为前缀的_sum.csv文件。
再将表格抬头输入进去。

dict = read_fasta(args.input)
file_name = args.input.split('.')
name = file_name[0]
file_output = open("{}_sum.csv".format(name),'a')
file_output.write('name,length,GC content,A content,T content,C content,G content\n')

输出运算

通过for循环将字典里的每一个键都历遍，通过get_info获取序列碱基信息。
用print打印到屏幕展示，用.write按照抬头顺序将相关信息输入。

for val in dict:
    seq_info = get_info(dict[val])
    len_fasta = len(dict[val])
    print('******\n{0}\nlength:{1:d}\ngc content :{2}\nA content :{3}\nT content :{4}\nC content :{5}\nG content :{6}\n'.format(val,len_fasta,seq_info[0],seq_info[1],seq_info[2],seq_info[3],seq_info[4]))
    file_output.write('{0},{1},{2},{3},{4},{5},{6}\n'.format(val,len_fasta,seq_info[0],seq_info[1],seq_info[2],seq_info[3],seq_info[4]))
file_output.close()

全部代码

附上全部代码，可以直接使用

import argparse
#读取序列字典
def read_fasta(input):
    with open(input, 'r') as f:
        fasta = {}
        for line in f:
            line = line.strip()
            if line[0] == '>':
                header = line[1:]
            else:
                sequence = line
                fasta[header] = fasta.get(header, '') + sequence
    return fasta
#统计序列信息的函数
def get_info(chr):
    chr = chr.upper()
    count_g = chr.count('G')
    count_c = chr.count('C')
    count_a = chr.count('A')
    count_t = chr.count('T')

    gc = (count_g + count_c) / (count_a + count_t + count_c + count_g)
    A = (count_a) / (count_a + count_t + count_c + count_g)
    T = (count_t) / (count_a + count_t + count_c + count_g)
    C = (count_c) / (count_a + count_t + count_c + count_g)
    G = (count_g) / (count_a + count_t + count_c + count_g)
    gc_con = '{:.2%}'.format(gc)
    A_content = '{:.2%}'.format(A)
    T_content = '{:.2%}'.format(T)
    C_content = '{:.2%}'.format(C)
    G_content = '{:.2%}'.format(G)
    return (gc_con,A_content,T_content,C_content,G_content)

#设置输入使用argparse
parser = argparse.ArgumentParser()
parser.add_argument('--input', '-i',
                        type=str,
                        help='input file in fasta format')
args = parser.parse_args()

dict = read_fasta(args.input)
file_name = args.input.split('.')
name = file_name[0]
file_output = open("{}_sum.csv".format(name),'a')
file_output.write('name,length,GC content,A content,T content,C content,G content\n')
for val in dict:
    seq_info = get_info(dict[val])
    len_fasta = len(dict[val])
    print('******\n{0}\nlength:{1:d}\ngc content :{2}\nA content :{3}\nT content :{4}\nC content :{5}\nG content :{6}\n'.format(val,len_fasta,seq_info[0],seq_info[1],seq_info[2],seq_info[3],seq_info[4]))
    file_output.write('{0},{1},{2},{3},{4},{5},{6}\n'.format(val,len_fasta,seq_info[0],seq_info[1],seq_info[2],seq_info[3],seq_info[4]))
file_output.close()