python - Biopython 给出 ValueError : Sequences must all be the same length even though sequences are of the same length

Question

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

1. esv1 TACGTAGGTGGCGAGCGTTATCCGGAATTATTGGGCGTAAAGCGCGCGCAGGCGGTTTCTTAAGTCTGATGTGAAAGCCCACGGCTCAACCGTGGAGGGTCATTGGAAACTGGGAAACTTGAGTGCAGAAGAGGAAAGCGGAATTCCACGTGTAGCGGTGAAATGCGTAGAGATGTGGAGGAACACCAGTGGCGAAGGCGGCTTTCTGGTCTGTAACTGACGCTGAGGCGCGAAAGCGTGGGGAGCAAACAGG

2. esv2 TACGGAGGGTGCAAGCGTTATCCGGATTCACTGGGTTTAAAGGGTGCGTAGGTGGGTTGGTAAGTCAGTGGTGAAATCTCCGAGCTTAACTTGGAAACTGCCATTGATACTATTAATCTTGAATATTGTGGAGGTTAGCGGAATATGTCATGTAGCGGTGAAATGCTTAGAGATGACATAGAACACCAATTGCGAAGGCAGCTGGCTACACATATATTGACACTGAGGCACGAAAGCGTGGGGATCAAACAGG

3. 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

Answer 1

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。