前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >生物信息中的Python 01 | 从零开始处理基因序列

生物信息中的Python 01 | 从零开始处理基因序列

作者头像
白墨石
发布2021-01-13 11:12:36
1.6K0
发布2021-01-13 11:12:36
举报
文章被收录于专栏:生信情报站

一、 序列数据的下载

在开始了解序列的处理流程时,我们先要知道序列下载网址。其中一个知名的网站就是NCBI (National Center for Biotechnology Information)美国国立生物技术信息中心。

1、通过如下的网站进入 NCBI ,可以看到它包含许多的子库,其中 Gene 就是我们一般下载基因序列的库,接下来,在后面的输入框输入 oct4 并点击 Search

NCBI: https://www.ncbi.nlm.nih.gov/

mark
mark
2、可以看到该基因在不同物种和实验中所测得的相同基因序列,我们选择其中智人的POU5F1基因。

值得注意的是 POU5F1 是 Oct4 基因的别名,本质上指的一个基因

mark
mark
3、向下滚动,直到看到如下图所示的 FASTA 链接,点击进入。
mark
mark
4、在这个页面就可以看到通过测序技术所得到的DNA序列。
mark
mark
5、通过如下步骤我们可以得到该基因序列的 fasta 格式文件
mark
mark
6、你也可以按照上述步骤尝试获取[ Mus musculus ] 的 fasta 序列,我们后面的分析需要用到

二、 DNA序列基本处理

Python版本:Python 3.6 IDE:Pycharm (https://www.jetbrains.com/pycharm/) 下载 Pycharm 的免费社区版就足够我们学习使用 操作系统:Win7

0、在Pycharm里新建如下目录的项目
mark
mark
1、进入main.py文件,我们先把序列文件读取出来看看,到底是怎样的结果
代码语言:javascript
复制
with open('res/sequence1.fasta') as file:
    for line in file:
        print (line)
2、可以看到Fasta格式开始于一个标识符>,然后是一行描述,下面是序列,直到下一个>,表示下一条序列
这些字符串看起来和下载 Fasta 文件页面显示的差不多,但是这不是我们想要的结果

Fasta 格式详解

mark
mark
3、接下来我们把描述字段和序列分别提取并存储在字典中
代码语言:javascript
复制
fasta = {}
with open('res/sequence1.fasta') as file:
    sequence = ""
    for line in file:
        if line.startswith(">"):
            # 去除描述字段行中的\n和>
            name = line[1:].rstrip()
            fasta[name] = ''
            continue
        # 去除序列字段行中的\n,并将所有字符规范为大写字符
        fasta[name] += line.rstrip().upper()
print (fasta)

用函数把上面的代码装起来,方便后续调用

代码语言:javascript
复制
def get_fasta(fasta_path):
	fasta = {}
	with open(fasta_path) as file:
	    sequence = ""
	    for line in file:
	        if line.startswith(">"):
	            # 去除描述字段行中的\n和>
	            name = line[1:].rstrip()
	            fasta[name] = ''
	            continue
	        # 去除序列字段行中的\n,并将所有字符规范为大写字符
	        fasta[name] += line.rstrip().upper()
	return fasta
4、拿到规范化的数据,我们现在来看看具有它具有的生物学意义,这里为了以后方便调用,使用函数的形式来实现
4.1 核苷酸计数,碱基偏好性:

这里的统计数值可以查看碱基偏好性。比如, 一定类型的小RNA会有特定的碱基偏好性,它的第一个碱基偏好U。可以用于评价数据质量。如果miRNA 第一碱基不是U偏好,说明数据或分析过程有问题。

代码语言:javascript
复制
# 核苷酸计数
def nt_count(seq):
    ntCounts = []
    for nt in ['A', 'C', 'G', 'T']:
        ntCounts.append(seq.count(nt))
    return ntCounts
4.2 GC含量:

(A+T)/(G+C)之比随DNA的种类不同而异。GC含量愈高,DNA的密度也愈高,同时热及碱不易使之变性,因此利用这一特性便可进行DNA的分离或测定。同时,物种的GC含量有着特异性,以此可以判断测序后的数据是否合格。

代码语言:javascript
复制
# CG 含量
from __future__ import division
def cg_content(seq):
    total = len(seq)
    gcCount = seq.count('G') + seq.count('C')
    gcContent = format(float(gcCount / total * 100), '.6f')
    return gcContent    
4.3 DNA 翻译为 RNA:
代码语言:javascript
复制
# DNA 翻译为 RNA
def dna_trans_rna(seq):
    rnaSeq = re.sub('T', 'U', seq)
    # method2: rnaSeq = dnaSeq.replace('T', 'U')
    return rnaSeq
4.4 RNA 翻译为 蛋白质:
代码语言:javascript
复制
def rna_trans_protein(rnaSeq):
    codonTable = {
        'AUA':'I', 'AUC':'I', 'AUU':'I', 'AUG':'M',
        'ACA':'T', 'ACC':'T', 'ACG':'T', 'ACU':'T',
        'AAC':'N', 'AAU':'N', 'AAA':'K', 'AAG':'K',
        'AGC':'S', 'AGU':'S', 'AGA':'R', 'AGG':'R',
        'CUA':'L', 'CUC':'L', 'CUG':'L', 'CUU':'L',
        'CCA':'P', 'CCC':'P', 'CCG':'P', 'CCU':'P',
        'CAC':'H', 'CAU':'H', 'CAA':'Q', 'CAG':'Q',
        'CGA':'R', 'CGC':'R', 'CGG':'R', 'CGU':'R',
        'GUA':'V', 'GUC':'V', 'GUG':'V', 'GUU':'V',
        'GCA':'A', 'GCC':'A', 'GCG':'A', 'GCU':'A',
        'GAC':'D', 'GAU':'D', 'GAA':'E', 'GAG':'E',
        'GGA':'G', 'GGC':'G', 'GGG':'G', 'GGU':'G',
        'UCA':'S', 'UCC':'S', 'UCG':'S', 'UCU':'S',
        'UUC':'F', 'UUU':'F', 'UUA':'L', 'UUG':'L',
        'UAC':'Y', 'UAU':'Y', 'UAA':'', 'UAG':'',
        'UGC':'C', 'UGU':'C', 'UGA':'', 'UGG':'W',
    }
    proteinSeq = ""
    for codonStart in range(0, len(rnaSeq), 3):
        codon = rnaSeq[codonStart:codonStart + 3]
        if codon in codonTable:
            proteinSeq += codonTable[codon]
    return proteinSeq
4.5 获取反向序列:
代码语言:javascript
复制
# 获取反向序列
def reverse_comple(type, seq):
    seq = seq[::-1]
    dnaTable = {
        "A":"T", "T":"A", "C":"G", "G":"C"
    }
    rnaTable = {
        "A": "T", "U": "A", "C": "G", "G": "C"
    }
    res = ""
    if type == "dna":
        for ele in seq:
            if ele in seq:
                if type == "dna":
                    res += dnaTable[ele]
                else:
                    res += rnaTable[ele]
    return res
4.6 最后我们来一个main来把上面的函数统统运行一遍
代码语言:javascript
复制
if __name__ == '__main__':
    oct4 = get_fasta('res/sequence1.fasta')
    for name, sequence in oct4.items():
        print ("name: ", name)
        print ("sequence: ", sequence)
        print ("nt_count: ", nt_count(sequence))
        print ("cg_content: ", cg_content(sequence))
        rna = dna_trans_rna(sequence)
        print ("rna: ", rna)
        protein = rna_trans_protein(rna)
        print ("protein: ", protein)
        print ("reverse_comple: ", reverse_comple("dna", sequence))

部分结果如下:

mark
mark

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019/03/13 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、 序列数据的下载
    • 1、通过如下的网站进入 NCBI ,可以看到它包含许多的子库,其中 Gene 就是我们一般下载基因序列的库,接下来,在后面的输入框输入 oct4 并点击 Search。
      • 2、可以看到该基因在不同物种和实验中所测得的相同基因序列,我们选择其中智人的POU5F1基因。
        • 3、向下滚动,直到看到如下图所示的 FASTA 链接,点击进入。
          • 4、在这个页面就可以看到通过测序技术所得到的DNA序列。
            • 5、通过如下步骤我们可以得到该基因序列的 fasta 格式文件
              • 6、你也可以按照上述步骤尝试获取[ Mus musculus ] 的 fasta 序列,我们后面的分析需要用到
              • 二、 DNA序列基本处理
                • 0、在Pycharm里新建如下目录的项目
                  • 1、进入main.py文件,我们先把序列文件读取出来看看,到底是怎样的结果
                    • 2、可以看到Fasta格式开始于一个标识符>,然后是一行描述,下面是序列,直到下一个>,表示下一条序列
                      • 这些字符串看起来和下载 Fasta 文件页面显示的差不多,但是这不是我们想要的结果
                        • 3、接下来我们把描述字段和序列分别提取并存储在字典中
                          • 4、拿到规范化的数据,我们现在来看看具有它具有的生物学意义,这里为了以后方便调用,使用函数的形式来实现
                            • 4.1 核苷酸计数,碱基偏好性:
                              • 4.2 GC含量:
                                • 4.3 DNA 翻译为 RNA:
                                  • 4.4 RNA 翻译为 蛋白质:
                                    • 4.5 获取反向序列:
                                      • 4.6 最后我们来一个main来把上面的函数统统运行一遍
                                      领券
                                      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档