Biopython - 序列 I/O 操作

Biopython 提供了一个模块 Bio.SeqIO，分别用于从文件（任何流）读取和写入序列。它支持生物信息学中几乎所有可用的文件格式。大多数软件针对不同的文件格式提供不同的方法。但是，Biopython 有意识地遵循单一方法，通过其 SeqRecord 对象向用户呈现解析后的序列数据。

让我们在下一节中进一步了解 SeqRecord。

SeqRecord

Bio.SeqRecord 模块提供 SeqRecord 来保存序列的元信息以及序列数据本身，如下所示：

seq - 它是实际的序列。
id - 它是给定序列的主标识符。默认类型为字符串。
name - 它是序列的名称。默认类型为字符串。
description - 它显示关于序列的人类可读信息。
annotations - 它是关于序列的其他信息的字典。

SeqRecord 可以按如下所示导入

from Bio.SeqRecord import SeqRecord

让我们在接下来的章节中了解使用实际序列文件解析序列文件的细微差别。

解析序列文件格式

本节说明如何解析两种最流行的序列文件格式，FASTA 和 GenBank。

FASTA

FASTA 是用于存储序列数据的最基本的文件格式。最初，FASTA 是一种用于 DNA 和蛋白质序列比对的软件包，在生物信息学的早期发展过程中开发，主要用于搜索序列相似性。

Biopython 提供了一个示例 FASTA 文件，可以在 https://github.com/biopython/biopython/blob/master/Doc/examples/ls_orchid.fasta 访问。

下载并将此文件保存到您的 Biopython 示例目录中，命名为“orchid.fasta”。

Bio.SeqIO 模块提供 parse() 方法来处理序列文件，可以按如下方式导入：

from Bio.SeqIO import parse

parse() 方法包含两个参数，第一个是文件句柄，第二个是文件格式。

>>> file = open('path/to/biopython/sample/orchid.fasta') 
>>> for record in parse(file, "fasta"): 
...    print(record.id) 
... 
gi|2765658|emb|Z78533.1|CIZ78533 
gi|2765657|emb|Z78532.1|CCZ78532 
.......... 
.......... 
gi|2765565|emb|Z78440.1|PPZ78440 
gi|2765564|emb|Z78439.1|PBZ78439 
>>>

这里，parse() 方法返回一个可迭代对象，每次迭代都返回 SeqRecord。作为可迭代对象，它提供了许多复杂且简单的方法，让我们看看其中的一些功能。

next()

next() 方法返回可迭代对象中可用的下一个项目，我们可以使用它来获取第一个序列，如下所示：

>>> first_seq_record = next(SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta')) 
>>> first_seq_record.id 'gi|2765658|emb|Z78533.1|CIZ78533' 
>>> first_seq_record.name 'gi|2765658|emb|Z78533.1|CIZ78533' 
>>> first_seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', SingleLetterAlphabet()) 
>>> first_seq_record.description 'gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA' 
>>> first_seq_record.annotations 
{} 
>>>

这里，seq_record.annotations 为空，因为 FASTA 格式不支持序列注释。

列表推导式

我们可以使用列表推导式将可迭代对象转换为列表，如下所示

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> all_seq = [seq_record for seq_record in seq_iter] >>> len(all_seq) 
94 
>>>

这里，我们使用了 len 方法来获取总数。我们可以获取长度最大的序列，如下所示：

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> max_seq = max(len(seq_record.seq) for seq_record in seq_iter) 
>>> max_seq 
789 
>>>

我们也可以使用以下代码过滤序列：

>>> seq_iter = SeqIO.parse(open('path/to/biopython/sample/orchid.fasta'),'fasta') 
>>> seq_under_600 = [seq_record for seq_record in seq_iter if len(seq_record.seq) < 600] 
>>> for seq in seq_under_600: 
...    print(seq.id) 
... 
gi|2765606|emb|Z78481.1|PIZ78481 
gi|2765605|emb|Z78480.1|PGZ78480 
gi|2765601|emb|Z78476.1|PGZ78476 
gi|2765595|emb|Z78470.1|PPZ78470 
gi|2765594|emb|Z78469.1|PHZ78469 
gi|2765564|emb|Z78439.1|PBZ78439 
>>>

将 SqlRecord 对象（解析后的数据）集合写入文件就像调用 SeqIO.write 方法一样简单，如下所示：

file = open("converted.fasta", "w) 
SeqIO.write(seq_record, file, "fasta")

此方法可以有效地用于转换如下所示的格式：

file = open("converted.gbk", "w) 
SeqIO.write(seq_record, file, "genbank")

GenBank

它是一种更丰富的基因序列格式，包含各种注释的字段。Biopython 提供了一个示例 GenBank 文件，可以在 https://github.com/biopython/biopython/blob/master/Doc/examples/ls_orchid.fasta 访问。

下载并将文件保存到您的 Biopython 示例目录中，命名为“orchid.gbk”

由于 Biopython 提供了一个单一函数 parse 来解析所有生物信息学格式，因此解析 GenBank 格式就像在 parse 方法中更改格式选项一样简单。

相应的代码如下所示：

>>> from Bio import SeqIO 
>>> from Bio.SeqIO import parse 
>>> seq_record = next(parse(open('path/to/biopython/sample/orchid.gbk'),'genbank')) 
>>> seq_record.id 
'Z78533.1' 
>>> seq_record.name 
'Z78533' 
>>> seq_record.seq Seq('CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGG...CGC', IUPACAmbiguousDNA()) 
>>> seq_record.description 
'C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA' 
>>> seq_record.annotations {
   'molecule_type': 'DNA', 
   'topology': 'linear', 
   'data_file_division': 'PLN', 
   'date': '30-NOV-2006', 
   'accessions': ['Z78533'], 
   'sequence_version': 1, 
   'gi': '2765658', 
   'keywords': ['5.8S ribosomal RNA', '5.8S rRNA gene', 'internal transcribed spacer', 'ITS1', 'ITS2'], 
   'source': 'Cypripedium irapeanum', 
   'organism': 'Cypripedium irapeanum', 
   'taxonomy': [
      'Eukaryota', 
      'Viridiplantae', 
      'Streptophyta', 
      'Embryophyta', 
      'Tracheophyta', 
      'Spermatophyta', 
      'Magnoliophyta', 
      'Liliopsida', 
      'Asparagales', 
      'Orchidaceae', 
      'Cypripedioideae', 
      'Cypripedium'], 
   'references': [
      Reference(title = 'Phylogenetics of the slipper orchids (Cypripedioideae:
      Orchidaceae): nuclear rDNA ITS sequences', ...), 
      Reference(title = 'Direct Submission', ...)
   ]
}

打印页面