Biopython - 序列

序列是一系列用于表示生物体蛋白质、DNA 或 RNA 的字母。它由 Seq 类表示。Seq 类在 Bio.Seq 模块中定义。

让我们在 Biopython 中创建一个简单的序列，如下所示：

>>> from Bio.Seq import Seq 
>>> seq = Seq("AGCT") 
>>> seq 
Seq('AGCT') 
>>> print(seq) 
AGCT

这里，我们创建了一个简单的蛋白质序列 **AGCT**，每个字母分别代表 **A**lanine（丙氨酸）、**G**lycine（甘氨酸）、**C**ysteine（半胱氨酸）和 **T**hreonine（苏氨酸）。

每个 Seq 对象有两个重要的属性：

data - 实际的序列字符串 (AGCT)
alphabet - 用于表示序列类型。例如 DNA 序列、RNA 序列等。默认情况下，它不代表任何序列，并且本质上是通用的。

字母表模块

Seq 对象包含 Alphabet 属性以指定序列类型、字母和可能的运算。它在 Bio.Alphabet 模块中定义。字母表可以定义如下：

>>> from Bio.Seq import Seq 
>>> myseq = Seq("AGCT") 
>>> myseq 
Seq('AGCT') 
>>> myseq.alphabet 
Alphabet()

Alphabet 模块提供以下类来表示不同类型的序列。Alphabet - 所有类型字母表的基类。

SingleLetterAlphabet - 长度为一的字母的通用字母表。它派生自 Alphabet，所有其他字母表类型都派生自它。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import single_letter_alphabet 
>>> test_seq = Seq('AGTACACTGGT', single_letter_alphabet) 
>>> test_seq 
Seq('AGTACACTGGT', SingleLetterAlphabet())

ProteinAlphabet - 通用单字母蛋白质字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_protein 
>>> test_seq = Seq('AGTACACTGGT', generic_protein) 
>>> test_seq 
Seq('AGTACACTGGT', ProteinAlphabet())

NucleotideAlphabet - 通用单字母核苷酸字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_nucleotide 
>>> test_seq = Seq('AGTACACTGGT', generic_nucleotide) >>> test_seq 
Seq('AGTACACTGGT', NucleotideAlphabet())

DNAAlphabet - 通用单字母 DNA 字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_dna 
>>> test_seq = Seq('AGTACACTGGT', generic_dna) 
>>> test_seq 
Seq('AGTACACTGGT', DNAAlphabet())

RNAAlphabet - 通用单字母 RNA 字母表。

>>> from Bio.Seq import Seq 
>>> from Bio.Alphabet import generic_rna 
>>> test_seq = Seq('AGTACACTGGT', generic_rna) 
>>> test_seq 
Seq('AGTACACTGGT', RNAAlphabet())

Biopython 模块 Bio.Alphabet.IUPAC 提供了由 IUPAC 社区定义的基本序列类型。它包含以下类：

**IUPACProtein (protein)** - 20 种标准氨基酸的 IUPAC 蛋白质字母表。
**ExtendedIUPACProtein (extended_protein)** - 包括 X 的扩展大写 IUPAC 蛋白质单字母字母表。
**IUPACAmbiguousDNA (ambiguous_dna)** - 大写 IUPAC 模棱两可的 DNA。
**IUPACUnambiguousDNA (unambiguous_dna)** - 大写 IUPAC 明确的 DNA (GATC)。
**ExtendedIUPACDNA (extended_dna)** - 扩展的 IUPAC DNA 字母表。
**IUPACAmbiguousRNA (ambiguous_rna)** - 大写 IUPAC 模棱两可的 RNA。
**IUPACUnambiguousRNA (unambiguous_rna)** - 大写 IUPAC 明确的 RNA (GAUC)。

考虑一个 IUPACProtein 类的简单示例，如下所示：

>>> from Bio.Alphabet import IUPAC 
>>> protein_seq = Seq("AGCT", IUPAC.protein) 
>>> protein_seq 
Seq('AGCT', IUPACProtein()) 
>>> protein_seq.alphabet

此外，Biopython 通过 Bio.Data 模块公开所有与生物信息学相关的配置数据。例如，IUPACData.protein_letters 包含 IUPACProtein 字母表可能的字母。

>>> from Bio.Data import IUPACData 
>>> IUPACData.protein_letters 
'ACDEFGHIKLMNPQRSTVWY'

基本操作

本节简要介绍了 Seq 类中所有可用的基本操作。序列类似于 Python 字符串。我们可以在序列中执行 Python 字符串操作，如切片、计数、连接、查找、分割和去除空格。

使用以下代码获取各种输出。

获取序列中的第一个值。

>>> seq_string = Seq("AGCTAGCT") 
>>> seq_string[0] 
'A'

打印前两个值。

>>> seq_string[0:2] 
Seq('AG')

打印所有值。

>>> seq_string[ : ] 
Seq('AGCTAGCT')

执行长度和计数操作。

>>> len(seq_string) 
8 
>>> seq_string.count('A') 
2

添加两个序列。

>>> from Bio.Alphabet import generic_dna, generic_protein 
>>> seq1 = Seq("AGCT", generic_dna) 
>>> seq2 = Seq("TCGA", generic_dna)
>>> seq1+seq2 
Seq('AGCTTCGA', DNAAlphabet())

这里，以上两个序列对象 seq1、seq2 是通用 DNA 序列，因此您可以将它们添加并生成新的序列。您不能添加具有不兼容字母表的序列，例如蛋白质序列和 DNA 序列，如下所示：

>>> dna_seq = Seq('AGTACACTGGT', generic_dna) 
>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> dna_seq + protein_seq 
..... 
..... 
TypeError: Incompatible alphabets DNAAlphabet() and ProteinAlphabet() 
>>>

要添加两个或多个序列，首先将其存储在 Python 列表中，然后使用“for 循环”检索它，最后将其加在一起，如下所示：

>>> from Bio.Alphabet import generic_dna 
>>> list = [Seq("AGCT",generic_dna),Seq("TCGA",generic_dna),Seq("AAA",generic_dna)] 
>>> for s in list: 
... print(s) 
... 
AGCT 
TCGA 
AAA 
>>> final_seq = Seq(" ",generic_dna) 
>>> for s in list: 
... final_seq = final_seq + s 
... 
>>> final_seq 
Seq('AGCTTCGAAAA', DNAAlphabet())

在以下部分，给出了根据需求获取输出的各种代码。

更改序列的大小写。

>>> from Bio.Alphabet import generic_rna 
>>> rna = Seq("agct", generic_rna) 
>>> rna.upper() 
Seq('AGCT', RNAAlphabet())

检查 Python 成员资格和身份运算符。

>>> rna = Seq("agct", generic_rna) 
>>> 'a' in rna 
True 
>>> 'A' in rna 
False 
>>> rna1 = Seq("AGCT", generic_dna) 
>>> rna is rna1 
False

在给定序列中查找单个字母或字母序列。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.find('G') 
1 
>>> protein_seq.find('GG') 
8

执行分割操作。

>>> protein_seq = Seq('AGUACACUGGU', generic_protein) 
>>> protein_seq.split('A') 
[Seq('', ProteinAlphabet()), Seq('GU', ProteinAlphabet()), 
   Seq('C', ProteinAlphabet()), Seq('CUGGU', ProteinAlphabet())]

在序列中执行去除空格操作。

>>> strip_seq = Seq(" AGCT ") 
>>> strip_seq 
Seq(' AGCT ') 
>>> strip_seq.strip() 
Seq('AGCT')

打印页面