我目前正在处理一个文本文件,其中包含 DNA 提取序列(重叠群)列表,每个序列都有一个标题,后面跟着几行核苷酸,这是该重叠群的核苷酸长度。有 120 个重叠群,每个条目都标有以“>”开头的行,表示序列信息。在该行之后,给出了该序列的核苷酸长度。
示例:
>gi|571136972|ref|XM_006625214.1| Plasmodium chabaudi chabaudi small subunit ribosomal protein 5 (Rps5) (rps5) mRNA, complete cds
ATGAGAAATATTTTATTAAAGAAAAAATTATATAATAGTAAAAATATTTATATTTTATATTATATTTTAATAATATTTAAAAGTATTTTTATTATTTTATTTAATAGTAAATATAATGTGAATTATTATTTATATAATAAAATTTATAATTTATTTATTATATATATAAAATTATATTATATTATAAATAATATATATTATAATAATAATTATTATTATATATATAATATGAATTATATA
TATTTTTATATTTATAAATATAATAGTTTAAATAATA
>gi|571136996|ref|XM_006625226.1| Plasmodium chabaudi chabaudi small subunit ribosomal protein 2 (Rps2) (rps2) mRNA, complete cds
ATGTTTATTACATTTAAAGATTTATTAAAATCTAAAATATATATAGGAAATAATTATAAAAATATTTATATTAATAATTATAAATTTATATATAAAATAAAATATAATTATTGTATTTTAAATTTTACATTAATTATATTATATTTATATAAATTATATTTATATATTTATAATATATCTATATTTAATAATAAAATTTTATTTATTATTAATAATAATTTAATTACAAATTTAATTATT
AATATATGTAATTTAACTAATAATTTTTATATTATTA
我想做的是列出每个重叠群。我的问题是,我不知道告诉 Python 所需的语法:
- 找到以“>”开头的行之后的行
- 计算该序列行中的所有字符
- 将一个值返回到所有重叠群值的列表(该列表给出每个重叠群的长度列表,即 126、300、25...)
- 确保计算最后一个重叠群(没有“>”来表示其结尾)。
我想要一个整数列表,以便我可以计算重叠群的平均长度、标准差、酷基因方程等。
我对编程还比较陌生。如果我不清楚或需要更多信息,请告诉我。
最佳答案
不要重新发明轮子,按照马丁的建议使用biopython。这是一个将序列 ID 和长度打印到终端的开始。您可以使用pip安装biopython,即pip install biopython
from Bio import SeqIO
import sys
FileIn = sys.argv[1]
handle = open(FileIn, 'rU')
SeqRecords = SeqIO.parse(handle, 'fasta')
for record in SeqRecords: #loop through each fasta entry
length = len(record.seq) #get sequence length
print "%s: %i bp" % (record.id, length) #print sequence ID: seq length
或者您可以将结果存储在字典中:
handle = open(FileIn, 'rU')
sequence_lengths = {}
SeqRecords = SeqIO.parse(handle, 'fasta')
for record in SeqRecords: #loop through each fasta entry
length = len(record.seq) #get sequence length
sequence_lengths[record.id] = length
#access dictionary outside of loop
print sequence_lengths
关于python - 如何计算由另一种行分隔的一组行中的字符?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33487685/