如何使用Biopython的翻译功能后跟踪开始密码子（ATG）在核苷酸序列中的位置？

Question

我有一个FASTA文件，其中包含一系列序列，格式如下：

BMRat | XM | U 008846946.1 ATGAGACACACACACACACACACAAGCACACACACACAAGCACACACAAGCACACACAAGCTCAAGGTCA TCTCTTTTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCACAAGATATTAGTTAGTGACTCACACACACACACACACACACACACACACACACACAAGCTCAAGCTCAAGGTCA TCTCTCTCTCTCTCTCTTTTTTTTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCTCAGCTAGCTAGCTAGTTAGTTAGTTAGTTAGTTAGTTAGTTAGTTAGTTAGTTAGATTGCAACCAGTTTTCTCTCGCTGTTACTTTGCGACCACAGATGCTTGCTTGCTTGCTTGCGCGTGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCTGTGATGCTCATGCTTGCGCATGCGCATGCATGCGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATTCTCATGCATGCATGCATGCATGCATGCATGCATGCATTCTCTCTCTCTCATTCTCTCTCATTCTCTCTCTTCTGACTACATCAATGCTCTGTTGTTCTTCTCTCTCTCCATAGATAGATATCATCTCTCTTGCATGGTTTCATGCATGCATGGATGAATTCAGATTCAGATTCAGATTCAGATGCATGGAGAGAAGTTCTCTCTCTCATGGGTCTCACTACTGGAGTCATTCATTCATTCATGCATGCATGCATGCATGCATGGATGCATAGATGCATAGATTCATTCATTCATTCAGATTCATTCATTCATGCATGCATGCATGCATTCAGATTCATGCATGCATTCAGATTCATTCAGATTCATTCATGCATGCATTCATGCATTCATTCATTCATTCATGTCCCATGCTGAACCCTGTCATCTACAGTCTGAGAGAACAAGAGATGTGAAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGATTTGA AGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAGAG

使用biopythonhttp://biopython.org/wiki/Seq实现的代码允许我找到FASTA文件中每个序列中以蛋氨酸开始、以停止密码子结束的最长氨基酸序列。

函数为find_largest_polypeptide_in_DNA。基本上，它使用3个不同的正向读取帧将脱氧核糖核酸序列翻译成氨基酸序列，并在变量allPos的中保存了以M（特定氨基酸）开始并以终止密码子结束的片段。然后它比较可能性的长度，选择最长的可能性，返回该片段的蛋白质序列。

def find_largest_polypeptide_in_DNA(seq, translationTable=1):
    allPossibilities = []
    for frame in range(3):
        trans = str(seq[frame:].translate(translationTable))
        framePossibilitiesF = [i[i.find("M"):] for i in trans.split("*") if "M" in i]
        allPossibilities += framePossibilitiesF
    allPossibilitiesLengths = [len(i) for i in allPossibilities]

    if len(allPossibilitiesLengths) == 0:
        raise Exception("no candidate ORFs")

    proteinAsString = allPossibilities[allPossibilitiesLengths.index(max(allPossibilitiesLengths))]

    return Seq(proteinAsString, alphabet=ProteinAlphabet)

它工作得很好，但是现在我想得到与函数返回的蛋白质序列相对应的脱氧核糖核酸序列。为了得到两个序列，我需要在函数中添加一些行，但我真的不知道怎么做。我不知道是否有可能跟踪i.find（“M”）的每个蛋氨酸的位置，然后用这个位置来跟踪它在核苷酸序列中的位置。

谢谢。

Answer 1

我认为按照类似的原则编写一个新函数是最容易的。你的想法“跟踪i.find（'M'）中每个蛋氨酸的位置”基本上就是下面所做的。对你开始使用的代码执行此操作的困难在于，序列会被拆分（'*'）切碎，因此DNA起始位置是读取帧偏移量加上相关序列之前片段的所有密码子之和。根据您的说明，我添加了一个封闭循环，以在前进和后退方向上进行迭代。

def find_largest_polypeptide_in_DNA(seq, translationTable=1):
    # Set the record to start with, then try to beat it
    longest_DNA = ''
    longest_amino_acid_sequence = 0

    for direction in [-1, 1]:
        forward_DNA = seq[::direction]
        # Check all three reading frames in this direction.
        for frame in range(3):
            trans = str(forward_DNA[frame:].translate(translationTable))
            cut_codons = 0
            while 'M' in trans:
                codons_before_Met = trans.find('M')
                cut_codons += codons_before_Met
                trans = trans[codons_before_Met:]
                if '*' in trans:
                    length = trans.find('*') + 1 
                    if length > longest_amino_acid_sequence:
                        longest_amino_acid_sequence = length
                        first_bp = frame + 3*cut_codons
                        last_bp = frame + 3*cut_codons + 3*(length)
                        longest_DNA = str(forward_DNA[first_bp:last_bp+1])
                    trans = trans[length:]
                else:
                    # Ignore sequence M... if ORF extends beyond FASTA?
                    trans = ''
    return longest_DNA