我正在尝试通过从我的数据创建 .phy 文件来创建系统发育树。
我有一个数据框
ndf=
ESV trunc
1 esv1 TACGTAGGTG...
2 esv2 TACGGAGGGT...
3 esv3 TACGGGGGG...
7 esv7 TACGTAGGGT...
我检查了“trunc”列的元素长度:
length_checker = np.vectorize(len)
arr_len = length_checker(ndf['trunc'])
生成的 arr_len 为所有元素提供相同的长度 (=253)。
我将此数据框保存为 .phy 文件,如下所示:
23 253
esv1 TACGTAGGTGGCGAGCGTTATCCGGAATTATTGGGCGTAAAGCGCGCGCAGGCGGTTTCTTAAGTCTGATGTGAAAGCCCACGGCTCAACCGTGGAGGGTCATTGGAAACTGGGAAACTTGAGTGCAGAAGAGGAAAGCGGAATTCCACGTGTAGCGGTGAAATGCGTAGAGATGTGGAGGAACACCAGTGGCGAAGGCGGCTTTCTGGTCTGTAACTGACGCTGAGGCGCGAAAGCGTGGGGAGCAAACAGG
esv2 TACGGAGGGTGCAAGCGTTATCCGGATTCACTGGGTTTAAAGGGTGCGTAGGTGGGTTGGTAAGTCAGTGGTGAAATCTCCGAGCTTAACTTGGAAACTGCCATTGATACTATTAATCTTGAATATTGTGGAGGTTAGCGGAATATGTCATGTAGCGGTGAAATGCTTAGAGATGACATAGAACACCAATTGCGAAGGCAGCTGGCTACACATATATTGACACTGAGGCACGAAAGCGTGGGGATCAAACAGG
esv3 TACGGGGGGGGCAAGCGTTGTTCGGAATTACTGGGCGTAAAGGGCGCGTAGGCGGCCAGACCAAGTCGAGTGTGAAATTGCAGGGCTTAACTTTGCAGGGTCGCTCGATACTGGTCGGCTAGAGTGTGGAAGAGGGTACTGGAATTCCCGGTGTAGCGGTGAAATGCGTAGATATCGGGAGGAACACCAGCGGCGAAGGCGGGTACCTGGGCCAACACTGACGCTGAGGCGCGAAAGCTAGGGGAGCAAACAG
这与this tutorial中使用的文件类似。 .
但是,当我运行命令时
aln = AlignIO.read('msa.phy', 'phylip')
我收到“ValueError:序列必须具有相同的长度”
我不知道为什么会出现这个问题,也不知道如何解决它。非常感谢任何帮助!
谢谢
最佳答案
一般来说,phylip 是不同程序之间系统发生学中最复杂的格式。有严格的 phylip 格式和宽松的 phylip 格式等...不容易知道正在使用哪个分隔符、空格字符和/或回车符。
我认为您似乎在分类单元名称(即序列标签)和序列名称之间留了一个空格,即。
2. esv2
Phylip 格式正在监视标签和序列数据之间的空间。在此示例中,序列长度为 3bp。使用“.”通常也不是一个好主意。该整数似乎并不表示行号。
另一个问题是您可以/应该尝试将序列与标签保持在同一行并删除回车符,即。
esv2 TACGGAGGGTGCAAGCGTTATCCGGATTCACTGGGTTTAAAGGGTGCGTAGGTGGGTTGGTAAGTCAGTGGTGAAATCTCCGAGCTTAACTTGGAAACTGCCATTGATACTATTAATCTTGAATATTGTGGAGGTTAGCGGAATATGTCATGTAGCGGTGAAATGCTTAGAGATGACATAGAACACCAATTGCGAAGGCAGCTGGCTACACATATATTGACACTGAGGCACGAAAGCGTGGGGATCAAACAGG
有时回车确实有效(这可以是宽松的 phylip 格式),传统格式使用空格字符“”。我总是保持统一数量的空格来保持对齐...不确定是否需要。
注意如果您的分类名称超过 10 个字符,您将需要宽松的 phylip 格式,并且在任何情况下这种格式通常都是一个好主意。
最终的解决方案是所有其他方法都失败,就是转换为fasta,导入为fasta,然后转换为phylip。如果这一切都失败了......回发有更多的故障排除
<小时/>Fasta 格式删除了“23 254” header ,然后每个序列如下所示,
>esv2
TACGGAGGGTGCAAGCGTTATCCGGATTCACTGGGTTTAAAGGGTGCGTAGGTGGGTTGGTAAGTCAGTGGTGAAATCTCCGAGCTTAACTTGGAAACTGCCATTGATACTATTAATCTTGAATATTGTGGAGGTTAGCGGAATATGTCATGTAGCGGTGAAATGCTTAGAGATGACATAGAACACCAATTGCGAAGGCAGCTGGCTACACATATATTGACACTGAGGCACGAAAGCGTGGGGATCAAACAGG
在“">esv2”和序列之间始终有一个回车符。此外,始终存在“>”作为标签(分类单元名称)的前缀,不带任何 spae。您可以简单地通过 Python 中的 reg-ex 或“re”进行转换。使用 Perl 单行代码,它将是 s/^([az]+[0-9]+)/>$1/g
类型代码。我很确定他们将成为一个可以做到这一点的在线网站。
然后,您只需在导入命令中将“phylip”替换为“fasta”即可。导入后,您要求 BioPython 转换为您想要的任何格式,它应该不会有任何问题。
关于python - Biopython 给出 ValueError : Sequences must all be the same length even though sequences are of the same length,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60289336/