SILVA、GREENGENES、RDP三大数据库的序列探索统计

用户1075469

发布于 2020-03-03 11:39:10

2K0

发布于 2020-03-03 11:39:10

最近对16s的三大数据库的序列的具体序列情况挺好奇的，决定统计一下各个序列的长度分布情况，以及这些序列具体分布在哪几个V区，有助于我解决后面16So数据的问题。还是用上我三脚猫的功夫，开始今天的探索，没有人探索的事情，还是挺开心的。

1.统计序列长度分布情况

01
#获得长度列表文件
02
length_list = []
03
with open('current_Bacteria_unaligned.fa') as f:
04
    flag = 0
05
    length = 0
06
    for line in f:
07
        if line.startswith('>'):
08
            flag = 1
09
            if length != 0:
10
                #print(length)
11
                length_list.append(length)
12
                #break
13
                length = 0
14
            else:
15
                length = 0
16
        elif flag == 1:
17
            length +=len(line)
18

19
fout =  open('length_table.txt', 'w')
20
for a in length_list:
21
    fout.write(str(a) + '\n')
22
fout.close()
01
#统计长度区间分布
02
length_150 = 0
03
length_300 = 0
04
length_600 = 0
05
length_1300 = 0
06
length_1300_ = 0
07
with open('length_table.txt') as f:
08
    for line in f:
09
        if 0 < int(line.strip()) <= 150:
10
            length_150 += 1
11
        elif 150 < int(line.strip()) <= 300:
12
            length_300 += 1
13
        elif 300 < int(line.strip()) <= 600:
14
            length_600 += 1
15
        elif 600 < int(line.strip()) <= 1300:
16
            length_1300 += 1
17
        elif int(line.strip()) > 1300:
18
            length_1300_ += 1
19
print('150以内：', length_150,'\n',
20
 '150-300:', length_300, '\n',
21
  '300-600:', length_600, '\n',
22
  '600-1300:', length_1300,'\n',
23
  '1300-:', length_1300_)
1
#最后结果
2
150以内： 0
3
 150-300: 0
4
 300-600: 617,554
5
 600-1300: 1,063,377
6
 1300-: 1,515,109

我也可视化一下：

更正一下，这里用的是RDP数据库，之前由于Silva数据库用的是不兼容的14级分类系统而没采用。

从图中可以看出，大部分序列还是集中在600以上。

接着是greengenes数据库，这个数据库虽然序列较少，但是长度大部分集中在1300+，质量较高，就是好久没更新过了。 150以内： 0 150-300: 0 300-600: 0 600-1300: 895 1300-: 1262090

2.统计V区分布情况

从一个公众号得到的一张分布图是这样的，

我想确定的是序列都包含在哪个或者哪两个区。花了好大有力气，才把代码理好，效率应该还是比较低的，但是，对于我来说

001
import re
002

003
dic ={}
004
v1f = re.compile('GGATCCAGACTTTGATYMTGGCTCAG', re.I)
005
v3f = re.compile('CCTA[CT]GGG[AG][GTC]GCA[CG]CAG', re.I)
006
v4f = re.compile('GTG[CT]CAGC[AC]GCCGCGGTAA', re.I)
007
v4r = re.compile('ATTAGA[AT]ACCC[CTG][ATGC]GTAGTCC', re.I)
008
v6f = re.compile('AACGCGAAGAACCTTAC', re.I)
009
v8f = re.compile('CGTCATCC[AC]CACCTTCCTC', re.I)
010
vr = re.compile('AAGTCGTAACAAGGTA[AG]CCGTA', re.I)
011
#v4r = re.compile('GGACTAC[ATGC][ACG]GGGT[AT]TCTAAT', re.I)
012
vf = re.compile('AG[AG]GTT[CT]GAT[CT][AC]TGGCTCAG', re.I)
013
#vr = re.compile('GACGGGCGGTG[AT]GT[AG]CA', re.I)
014
#seq_list = []
015

016

017
def decide_which_zone(f1, f3, f4, f4r, f6, f8, f, fr):
018
    type = [f1, f3, f4, f4r, f6, f8, f, fr]
019
    type_str = ['f1', 'f3', 'f4', 'f4r', 'f6', 'f8', 'f', 'fr']
020
    type_name = []
021
    for i in range(len(type)):
022
        #print(type[i])
023
        if type[i] != None :
024
            type_name.append(type_str[i])
025
        else:
026
            continue
027
        if i + 1 < len(type):
028
            if type[i + 1] != None and type_str[i + 1] not in type_str:
029
                type_name.append(type_str[i + 1])
030
        else:
031
            continue
032
        if i + 2 < len(type):
033
            if type[i + 2] != None and type_str[i + 2] not in type_str:
034
                type_name.append(type_str[i + 2])
035
        else:
036
            continue
037
        if  i + 3 < len(type):
038
            if type[i + 3] != None and type_str[i + 3] not in type_str:
039
                type_name.append(type_str[i + 3])
040
        else:
041
            continue
042
        if  i + 4 < len(type):
043
            if type[i + 4] != None and type_str[i + 4] not in type_str:
044
                type_name.append(type_str[i + 4])
045
        else:
046
            continue
047
        if  i + 5 < len(type):
048
            if type[i + 5] != None and type_str[i +5 ] not in type_str:
049
                type_name.append(type_str[i + 5])
050
        else:
051
            continue
052
        if  i + 6 < len(type):
053
            if type[i + 6] != None and type_str[i + 6] not in type_str:
054
                type_name.append(type_str[i + 6])
055
        else:
056
            continue
057
        if  i + 7 < len(type):
058
            if type[i + 7] != None and type_str[i + 7] not in type_str:
059
                type_name.append(type_str[i + 7])
060
        else:
061
            continue
062
    return type_name
063

064
with open('current_Bacteria_unaligned.fa') as f:
065
    li = ['f1', 'f3', 'f4', 'f4r', 'f6', 'f8', 'f', 'fr']
066
    for i in range(len(li)):
067
        for j in range(len(li)):
068
            if i <= j:
069
                dic[li[i] + li[j]] = 0
070

071

072
    #print(dic)
073
    flag = 0
074
    seq = ''
075
    #i = 0
076
    for line in f:
077
        if line.startswith('>'):# and i <=2:
078
            flag = 1
079
            if seq != '':
080
                #print(seq)
081
                f1 = v1f.search(seq)
082
                f4r = v4r.search(seq)
083
                f3 = v3f.search(seq)
084
                f4 = v4f.search(seq)
085
                f6 = v6f.search(seq)
086
                f8 = v8f.search(seq)
087
                f = vf.search(seq)
088
                fr = vr.search(seq)
089
                #seq_list.append(length)
090
                type_name = []
091
                type_name = decide_which_zone(f1, f3, f4, f4r, f6, f8, f, fr)
092
                print(type_name)
093
                if type_name != []:
094
                    type_key = type_name[0] + type_name[-1]
095
                    dic[type_key] += 1
096
                #i += 1
097
                #break
098
                seq = ''
099
                flag = 0
100
            else:
101
                seq = ''
102
        elif flag == 1:
103
            seq += line.strip()
104
print(dic)
105
#运行结果
106
{'f1f1': 0, 'f1f3': 0, 'f1f4': 1, 'f1f4r': 0, 'f1f6': 0, 'f1f8': 0, 'f1f': 0, 'f1fr': 0, 'f3f3': 120867, 'f3f4': 143686, 'f3f4r': 356027, 'f3f6': 400108, 'f3f8': 4, 'f3f': 171637, 'f3fr': 53716, 'f4f4': 17211, 'f4f4r': 71719, 'f4f6': 40223, 'f4f8': 4, 'f4f': 13185, 'f4fr': 3646, 'f4rf4r': 39537, 'f4rf6': 45160, 'f4rf8': 0, 'f4rf': 977, 'f4rfr': 4263, 'f6f6': 43983, 'f6f8': 0, 'f6f': 64, 'f6fr': 2300, 'f8f8': 0, 'f8f': 0, 'f8fr': 0, 'ff': 1670, 'ffr': 26, 'frfr': 3678}