python - 在python中过滤一个奇怪的文本文件

Question

我有一个文本文件，其中每个 ID 行都以 > 开头，下一行是一系列字符。字符序列之后的下一行是另一个 ID 行，以 > 开头。但在其中一些中，我没有序列，而是 “Sequence unavailable”。 ID 行之后的序列可以是一行或多行。 像这个例子:

>ENSG00000173153|ENST00000000442|64073050;64074640|64073208;64074651
AAGCAGCCGGCGGCGCCGCCGAGTGAGGGGACGCGGCGCGGTGGGGCGGCGCGGCCCGAGGAGGCGGCGGAGGAGGGGCCGCCCGCGGCCCCCGGCTCACTCCGGCACTCCGGGCCGCTC
>ENSG00000004139|ENST00000003834
Sequence unavailable

我想过滤掉那些带有“Sequence unavailable”的ID。输出应如下所示:

输出:

>ENSG00000173153|ENST00000000442|64073050;64074640|64073208;64074651
AAGCAGCCGGCGGCGCCGCCGAGTGAGGGGACGCGGCGCGGTGGGGCGGCGCGGCCCGAGGAGGCGGCGGAGGAGGGGCCGCCCGCGGCCCCCGGCTCACTCCGGCACTCCGGGCCGCTC

你知道如何在 python 中做到这一点吗？

Answer 1

与其他答案不同，我强烈建议不要手动解析 FASTA 格式。这不是太难，但有陷阱，而且完全没有必要，因为存在高效、经过良好测试的实现:

使用Bio.SeqIO来自 BioPython；例如:

from Bio import SeqIO

for record in SeqIO.parse(filename, 'fasta'):
    if record.seq != 'Sequenceunavailable':
        SeqIO.write(record, outfile, 'fasta')

注意 'Sequenceunavailable' 中缺少的空格:读取 FASTA 格式的序列将省略空格。