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?
最佳答案
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。
关于python - 在python中过滤一个奇怪的文本文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44264127/