应用Python脚本制作获取基因组测序指定位置编码序列

来源: https://www.ucloud.cn/yun/128450.html 作者: 89542767 发布日期: 发布于2022-12-20 21:21

此篇文章关键给大家介绍了应用Python脚本制作获取基因组测序指定位置编码序列的实例详细说明，感兴趣的小伙伴值得借鉴参考一下，也希望能有一定的帮助，祝愿大家多多的发展，尽早涨薪

前言

　　在基因组分析中，大家常常会有这样一个要求，便是在一个fasta文件中获取某些编码序列出去。有时候这种编码序列注定是完备的编码序列，而有时候只是为原fasta文件中某一段编码序列中的一部分。尤其是当信息量许多时，应用人眼来挑选编码序列会很费劲，因此这个时候大家就可以用编程逻辑去完成了。

　　比如这里在百度云盘配件中给出了某种群全基因组序列（0-refer/Bacillus_subtilis.str168.fasta），及其基因组测序gff注解文件（0-refer/Bacillus_subtilis.str168.gff）。

　　假定在这儿对于该种群进行分析，根据gff注解文档中的基因功能叙述字段名，再加上对相关信息的查阅等，精准定位到了一部分特定的基因。

　　下面我们期待基于gff文件中对这种遗传基因部位的描写，在这一基因组序列fasta文件里将这种遗传基因寻找并分离出来，获得了一个新的fasta文件，新文件上只包括目地基因序列。

　　请使用python3撰写1个能够实现这个功能的脚本制作。

　　示例

　　一个示例脚本如下（可参见网盘附件“seq_select1.py”）。

　　为了实现以上目的，我们首先需要准备一个txt文件（以下称其为list文件，示例list.txt可参见网盘附件），基于gff文件中所记录的基因位置信息，填入类似以下的内容（列与列之间以tab分隔）。

　　#下列内容保存到list.txt

　　gene46 NC_000964.3 42917 43660+
　　NP_387934.1 NC_000964.3 59504 60070+
　　yfmC NC_000964.3 825787 826734-
　　cds821 NC_000964.3 885844 886173-

　　第1列，给所要获取的新序列命个名称；

　　第2列，所要获取的序列所在原序列ID；

　　第3列，所要获取的序列在原序列中的起始位置；

　　第4列，所要获取的序列在原序列中的终止位置；

　　第5列，所要获取的序列位于原序列的正链（+）或负链（-）。

　　之后根据输入文件，即输入fasta文件及记录所要获取序列位置的list文件中的内容，编辑py脚本。

　　打开fasta文件“Bacillus_subtilis.scaffolds.fasta”，使用循环逐行读取其中的序列id及碱基序列，并将每条序列的所有碱基合并为一个字符串；将序列id及该序列合并后的碱基序列以字典的形式存储（字典样式{'id':'base'}）。

　　打开list文件“list.txt”，读取其中的内容，存储到字典中。字典的键为list文件中的第1列内容；字典的值为list文件中第2-5列的内容，并按tab分割得到一个列表，包含4个字符分别代表list文件中第2-5列的信息）。

　　最后根据读取的list文件中序列位置信息，在读取的基因组中截取目的基因序列。由于某些基因序列可能位于基因组负链中，需取其反向互补序列，故首先定义一个函数rev()，用于在后续调用得到反向互补序列。在输出序列名称时，还可选是否将该序列的位置信息一并输出（name_detail=True/False）。

　　<pre class="r"style="overflow-wrap:break-word;font-style:normal;font-variant-ligatures:normal;font-variant-caps:normal;font-weight:400;letter-spacing:normal;orphans:2;text-align:start;text-indent:0px;text-transform:none;widows:2;word-spacing:0px;-webkit-text-stroke-width:0px;text-decoration-style:initial;text-decoration-color:initial;margin-top:0px;margin-bottom:10px;padding:9.5px;border-radius:4px;background-color:rgb(245,245,245);box-sizing:border-box;overflow:auto;font-size:13px;line-height:1.42857;color:rgb(51,51,51);word-break:break-all;border:1px solid rgb(204,204,204);font-family:"Times New Roman";">#!/usr/bin/env python3

　　#-*-coding:utf-8-*-
　　#初始传递命令
　　input_file='Bacillus_subtilis.str168.fasta'
　　list_file='list.txt'
　　output_file='gene.fasta'
　　name_detail=True
　　##读取文件
　　#读取基因组序列
　　seq_file={}
　　with open(input_file,'r')as input_fasta:
　　for line in input_fasta:
　　line=line.strip()
　　if line[0]=='>':
　　seq_id=line.split()[0]
　　seq_file[seq_id]=''
　　else:
　　seq_file[seq_id]+=line
　　input_fasta.close()
　　#读取列表文件
　　list_dict={}
　　with open(list_file,'r')as list_table:
　　for line in list_table:
　　if line.strip():
　　line=line.strip().split('t')
　　list_dict[line[0]]=[line[1],int(line[2])-1,int(line[3]),line[4]]
　　list_table.close()
　　##截取序列并输出
　　#定义函数，用于截取反向互补
　　def rev(seq):
　　base_trans={'A':'T','C':'G','T':'A','G':'C','N':'N','a':'t','c':'g','t':'a','g':'c','n':'n'}
　　rev_seq=list(reversed(seq))
　　rev_seq_list=[base_trans[k]for k in rev_seq]
　　rev_seq=''.join(rev_seq_list)
　　return(rev_seq)
　　#截取序列并输出
　　output_fasta=open(output_file,'w')
　　for key,value in list_dict.items():
　　if name_detail:
　　print('>'+key,'['+value[0],value[1]+1,value[2],value[3]+']',file=output_fasta)
　　else:
　　print('>'+key,file=output_fasta)
　　seq=seq_file['>'+value[0]][value[1]:value[2]]
　　if value[3]=='+':
　　print(seq,file=output_fasta)
　　elif value[3]=='-':
　　seq=rev(seq)
　　print(seq,file=output_fasta)
　　output_fasta.close()</pre>

　　编辑该脚本后运行，输出新的fasta文件“gene.fasta”，其中的序列即为我们所想要得到的目的基因序列。

　　扩展：

　　网盘附件“seq_select.py”为添加了命令传递行的python3脚本，可在shell中直接进行目标文件的I/O处理。该脚本可指定输入fasta序列文件以及记录有所需提取序列位置的列表文件，输出的新fasta文件即为提取出的序列。

　　#!/usr/bin/env python3
　　#-*-coding:utf-8-*-
　　#导入模块，初始传递命令、变量等
　　import argparse
　　parser=argparse.ArgumentParser(description='n该脚本用于在基因组特定位置截取序列，需额外输入记录有截取序列信息的列表文件',add_help=False,usage='npython3 seq_select.py-i[input.fasta]-o[output.fasta]-l<ul>npython3 seq_select.py--input[input.fasta]--output[output.fasta]--list<ul>')
　　required=parser.add_argument_group('必选项')
　　optional=parser.add_argument_group('可选项')
　　required.add_argument('-i','--input',metavar='[input.fasta]',help='输入文件，fasta格式',required=True)
　　required.add_argument('-o','--output',metavar='[output.fasta]',help='输出文件，fasta格式',required=True)
　　required.add_argument('-l','--list',metavar='<ul>',help='记录“新序列名称/序列所在原序列ID/序列起始位置/序列终止位置/正链（+）或负链（-）”的文件，以tab作为分隔',required=True)
　　optional.add_argument('--detail',action='store_true',help='若该参数存在，则在输出fasta的每条序列id中展示序列在原fasta中的位置信息',required=False)
　　optional.add_argument('-h','--help',action='help',help='帮助信息')
　　args=parser.parse_args()
　　##读取文件
　　#读取基因组序列
　　seq_file={}
　　with open(args.input,'r')as input_fasta:
　　for line in input_fasta:
　　line=line.strip()
　　if line[0]=='>':
　　seq_id=line.split()[0]
　　seq_file[seq_id]=''
　　else:
　　seq_file[seq_id]+=line
　　input_fasta.close()
　　#读取列表文件
　　list_dict={}
　　with open(args.list,'r')as list_file:
　　for line in list_file:
　　if line.strip():
　　line=line.strip().split('t')
　　list_dict[line[0]]=[line[1],int(line[2])-1,int(line[3]),line[4]]
　　list_file.close()
　　##截取序列并输出
　　#定义函数，用于截取反向互补
　　def rev(seq):
　　base_trans={'A':'T','C':'G','T':'A','G':'C','a':'t','c':'g','t':'a','g':'c'}
　　rev_seq=list(reversed(seq))
　　rev_seq_list=[base_trans[k]for k in rev_seq]
　　rev_seq=''.join(rev_seq_list)
　　return(rev_seq)
　　#截取序列并输出
　　output_fasta=open(args.output,'w')
　　for key,value in list_dict.items():
　　if args.detail:
　　print('>'+key,'['+value[0],value[1]+1,value[2],value[3]+']',file=output_fasta)
　　else:
　　print('>'+key,file=output_fasta)
　　seq=seq_file['>'+value[0]][value[1]:value[2]]
　　if value[3]=='+':
　　print(seq,file=output_fasta)
　　elif value[3]=='-':
　　seq=rev(seq)
　　print(seq,file=output_fasta)
　　output_fasta.close()

　　适用上述示例中的测试文件，运行该脚本的方式如下。

　　#python3 seq_select.py-h
　　python3 seq_select.py-i Bacillus_subtilis.str168.fasta-l list.txt-o gene.fasta--detail
　　源码提取链接:https://pan.baidu.com/s/1kUhBTmpDonCskwmpNIJPkA?pwd=ih9n

　　提取码:ih9n