只提取fasta序列python

Question

我想读入一个大文件，其中包含 fasta 序列（1 个标题和标题下方的 1 行序列）以及行之间的其他随机垃圾和无组织间距。

我想读取每一行，如果一行以“>”符号开头，这是 fasta 序列标题的开头，然后将该标题与下一行一起拉出，这将是序列。

我有一个小示例数据文件要展示：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG


Task 2: Subclone the synthesized

junk 

junk

>4
GCTAGCACCATGGAGACAGAC

我的代码：

f=open("File.fasta", "r")
fastaseq = open("OnlyFastaseq.fasta", "w")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.rstrip()
        seq = f.readline()
        seq = seq.rstrip()
        fastaseq.write(title+"\n"+seq+"\n")

想要的输出：

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
GCTAGCACCATGGAGACAGACACACTCCTGCTATG
>4
GCTAGCACCATGGAGACAGAC

结果包含除'>3'序列之外的大部分标题+序列，它没有拉出下一行（即序列）。

> 1
GCTAGCGCCACCatgactcccgcatttatcttgtgcatgctctt
>2
GCTAGCACCATGGAGACAGACACACTCCTGCTATGGGTACTGCTGCTCTG
>3
>4
GCTAGCACCATGGAGACAGAC

Answer 1

您可以通过遍历输入并找到以> 开头的行然后从输入文件中写入该行和next 来过滤掉它们，例如：

with open('File.fasta') as fin, open('OnlyFastaseq.fasta', 'w') as fout:
    for line in fin:
        if line.startswith('>'):
            fout.write(line)
            fout.write(next(fin))

Answer 2

您可能想试试BioPython。它当然可以通过“打开”和一些解析来完成，但是 BioPython 有很多其他功能。要一次读取一个序列，您可以使用。

from Bio import SeqIO
fastaFile = "foo.fasta"
handle = open(fastaFile,"r")
for record in SeqIO.parse(handle,"fasta"):
    print record.id
handle.close()

有关详细信息，请参阅SeqIO docs。

Answer 3

以下代码将提供所需的输出。它只打印以> 开头的标题和有效序列，即只打印 ATGC。

f = open("File.fasta", "r")

for line in f:
    line = line.strip('\n')
    if line.startswith(">"):
        title = line.strip()
        print(title)
    else:
        seq = line.strip().upper()
        if 0 not in [c in 'ATGC' for c in seq]:
            print(seq)