Biopython 在字符串中查找基序和删除目标序列的问题答案

【问题标题】：Biopython issue in finding motifs in strings and deleting target sequenceBiopython 在字符串中查找基序和删除目标序列的问题
【发布时间】：2020-11-25 20:15:09
【问题描述】：

您好，我有一个大的 FASTA 文件，看起来像这样

>EMBOSS_001
GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT
>EMBOSS_002
CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003
CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004
CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我想找到所有具有特定主题的序列并消除它们例如，如果主题是 TTTCCC，预期的输出应该是：

>EMBOSS_002 CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003 CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004 CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我用 Biopython 写了一段代码：

from Bio.Seq import Seq
import Bio.motifs as motifs
from Bio import SeqIO

instances = [Seq("TTTCCC")]
m = motifs.create(instances)

reads = list(SeqIO.parse("/Users/EMBOSS-6.6.0/emboss/genome.fa", "fasta"))

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print("%i %s" % (pos, seq))

但是它只返回我的主题开始位置的信息，11 TTTCCC 我还想返回找到它的序列的信息： EMBOSS_001 11 TTTCCC 此外，我希望代码能够消除发现主题的那个序列。

此外，我无法删除找到主题的字符串并将其写入输出

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

【问题讨论】：

标签： python biopython

【解决方案1】：

我无法在本地对此进行测试，但我会用一些代码说明如何解决这个问题。

如果文件结构如您所述，那么您可以得出的一点是，在检查实例的地方它们发生在偶数行上（比如n），它们所代表的顺序就是n-1。因此，为了让您以这种格式输出EMBOSS_001 11 TTTCCC - 最简单的方法是使用索引i 作为计数器并确定顺序。

例如：reads[i-1] 将为您提供 FASTA GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT 的序列 >EMBOSS_001。要删除>，请将其设置为reads[i-1][1:]。

要在找到主题TTTCCC 时消除 seq，有很多方法可以做到这一点。最简单的方法是对 python 列表对象使用 del 方法。这将简单地删除出现主题的序列和元素。

这很容易完成，这就是更改在您的代码中的样子

for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i-1][1:],pos, seq))#should print in format EMBOSS_001 11 TTTCCC
        del reads[i-1:i]

这应该有望解决它。如果您遇到任何错误，请告诉我。

编辑： 我最初的写作意图应该是这样的 - 还添加了一个 break 语句，看看它是否解决了问题。

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        break 
SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

一旦发现图案，就会消除该序列。这意味着现在应该只将没有主题的字符串写入SeqIO.write() 方法。

【讨论】：

嗨，谢谢，它有点工作，但我不得不改为 i-0 而不是 i-1 因为它指向我认为的以下序列的 ID。
顺便说一句，如果我想写入一个新文件的输出，我需要使用 seqIO.write 吗？
是的，我用 seqIO.write 写了一个 fasta 文件，在删除了你说的找到motif但序列没有被删除的序列后
是的，I-1 指向的是文件的最后一个序列
@PaoloLorenzini 我认为您可以使用seqIO.write 来编写输出。如果序列出现在写入文件中，那么这可能是因为您可能在删除序列之前写入文件。你能再问一个关于你是如何写这篇文章的问题并在这里@我吗？

【解决方案2】：

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        seq_rem = str(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        reads_dict = SeqIO.to_dict(reads)
        seq_rem = seq_rem.splitlines()[0][5:]
del reads_dict[seq_rem]
SeqIO.write(reads_dict.values(), "/Users/EMBOSS-6.6.0/emboss/results10.fa", "fasta")

我已经设法想出了这样的方法

【讨论】：