根据单独文件中的条目从FASTA文件中提取序列

Question

我有两个文件。

文件1：带有基因序列的FASTA文件，格式如下例所示：

>PITG_00002 | Phytophthora infestans T30-4 conserved hypothetical protein (426 nt)
ATGCATCGCTCGGGTTCCGCACGGAAAGCCCAAGGTCTGGGATTACGGGGTGGTGGTCGG
TTACACTTGGAATAACCTCGCAAATTCAGAATCTCTACAGGCTACGTTCGCGGATGGAAC
>PITG_00003 | Phytophthora infestans T30-4 protein kinase (297 nt)
ATGACGGCTGGGGTCGGTACGCCCTACTGGATCGCACCGGAGATTCTTGAAGGCAAACGG
TACACTGAGCAAGCGGATATTTACTCGTTCGGAGTGGTTTTATCCGAGCTGGACACGTGC
AAGATGCCGTTCTCTGACGTCGTTACGGCAGAGGGAAAGAAACCCAAACCAGTTCAGATC
>PITG_00004 | Phytophthora infestans T30-4 protein kinase, putative (1969 nt)
ATGCGCGTGTCTGGTCTCCTTTCAATTCTTGCAGCCACTTTGACCACGGCCCAAGACTAC

文件2：一个简单的文本文件，带有基因的登录号。像这样

PITG_00003
PITG_00005
PITG_00023

文件2中的每个条目都在文件1中的某个位置，但文件1中并非每个条目都在文件2中。我需要从文件1中删除所有不在文件2中的条目。我觉得biopython中一定有东西可以帮助我的模块，我只是不知道什么。例如，我本来以为可以使用该SeqIO.parse函数从FASTA文件中仅提取出种质，但这确实使我获得了两个种质号文件。我不知道如何有选择地提取其他文件中的种质。也许就像将文件2中的所有条目读入字典中，然后将该条目与其在文件1中的匹配条目相关联并用于SeqIO.parse提取整个序列…但是我真的不知道…任何人都可以提供的帮助我非常感谢！

Answer 1

尝试这个：

f2 = open('accessionids.txt','r')
f1 = open('fasta.txt','r')
f3 = open('fasta_parsed.txt','w')

AI_DICT = {}
for line in f2:
    AI_DICT[line[:-1]] = 1

skip = 0
for line in f1:
    if line[0] == '>':
        _splitline = line.split('|')
        accessorIDWithArrow = _splitline[0]
        accessorID = accessorIDWithArrow[1:-1]
        # print accessorID
        if accessorID in AI_DICT:
            f3.write(line)
            skip = 0
        else:
            skip = 1
    else:
        if not skip:
            f3.write(line)

f1.close()
f2.close()
f3.close()

先简单介绍一下这是怎么回事......这里accessionids.txt是你的 文件2 ，而fasta.txt为你的 文件1
。显然，您需要用代码中的实际文件名替换这些文件名。

首先，我们创建一个字典（有时称为哈希或关联数组），并为 文件2中的 每个Accession ID创建一个条目，其中 键 为Accession
ID，并且 值 设置为1（这并不意味着该值确实很重要）在这种情况下）。

接下来，我们查看 文件1，
然后再次查看该文件中的每一行。如果文件中的行以开头，>那么我们知道它包含一个登录ID。我们将这一行并沿分割，|因为每个具有Accession
ID的行在|字符串中都会有一个。接下来，按照的指定进行分割的第一部分_splitline[0]。我们accessorIDWithArrow[1:-1]用来截断字符串中的第一个和最后一个字符，它们是>前面的符号和后面的空白。

此时，accessorID现在包含我们希望从 文件2 获得的格式的登录ID 。

接下来，我们检查之前创建并填充的词典是否将此访问ID定义为键。如果是这样，我们立即将具有登录ID的行写入新文件fasta_parsed.txt，并将skip‘flag’变量设置/重置为0。然后，else包含该if not skip段的语句将允许与我们发现要打印到fasta_parsed.txt文件的登录号关联的后续行。

对于保藏ID从 文件1 不在字典中（未在发现 文件2
），我们没有行写入fasta_parsed.txt和我们设置skip标志为0。因此，直到另一个登录ID是在发现 文件1 中存在的
文件2 ，所有后续行都将被跳过。