如何在不使用Biopython的情况下找到FASTA数据集中的所有序列长度
如何在不使用Biopython的情况下找到FASTA数据集中的所有序列长度
提问于 2021-10-02 04:19:51
假设我们有一个这样的FASTA文件：
>header1
ASDTWQEREWQDDSFADFASDASDQWEFQW
>header2
ASFECAERVA
>header3
ACTGQSDFWGRWTFSH这是我想要的输出：
header1 30
header2 10
header3 16请不使用Biopython回答此问题。我认为这里可以使用re.match('^>')来区分标题行和其他序列行(需要先导入re )，但我需要一些帮助才能让rest部分获得输出。只使用python，不使用Biopython。谢谢!
下面是我当前的代码：
import re
path='/home/try.txt'
count=0
seq=''
with open(path) as d_g:
for line in d_g:
if re.match('^>',line):
count=count+1
print('head',count)
else:
seq=seq+line回答 3
Stack Overflow用户
发布于 2021-10-02 09:47:28
你真的不需要正则表达式来做这件事。
header = None
length = 0
with open('file.fasta') as fasta:
for line in fasta:
# Trim newline
line = line.rstrip()
if line.startswith('>'):
# If we captured one before, print it now
if header is not None:
print(header, length)
length = 0
header = line[1:]
else:
length += len(line)
# Don't forget the last one
if length:
print(header, length)本文使用了非常基本的Python习惯用法，这些习惯用法在任何Python文本处理入门中都很容易掌握。简而言之，我们记住到目前为止看到的内容，并在开始记住新记录之前打印我们记住的内容(当我们看到标题行时就会发生这种情况)。一个常见的错误是，当我们到达文件的末尾时，忘记打印最后一条记录，当然，它没有新的标题行。
如果你能保证所有的序列都在一行上，这可以从根本上简化，但我想给出一个通用的解决方案。
Stack Overflow用户
发布于 2021-10-02 09:48:55
collections.Counter()和一个简单的循环来拯救状态。
我也增加了你的测试数据，使其具有多行序列，这样我们就可以告诉你事情是正确的。
import io
import collections
# Using a stringio to emulate a file
data = io.StringIO("""
>header1
ASDTWQEREWQDDSFADFASDASDQWEFQW
DFASDASDQWEFQWASDTWQEREWQDDSFA
>header2
ASFECAERVA
>header3
>header4
ACTGQSDFWGRWTFSH
""".strip())
counter = collections.Counter()
header = None
for line in data:
line = line.strip() # deal with newlines
if line.startswith(">"):
header = line[1:]
continue
counter[header] += len(line)
print(counter)这将打印出来
Counter({'header1': 60, 'header4': 16, 'header2': 10})Stack Overflow用户
发布于 2021-10-04 21:28:57
不要重复发明轮子。有许多专门的生物信息学工具可以处理fasta文件。
infoseq -auto -only -name -length -noheading file.fasta打印：
header1 30
header2 10
header3 16 例如，使用conda安装EMBOSS
conda create --name emboss emboss从手册页：
infoseq -help
-only boolean [N] This is a way of shortening the command
line if you only want a few things to be
displayed. Instead of specifying:
'-nohead -noname -noacc -notype -nopgc
-nodesc'
to get only the length output, you can
specify
'-only -length'
-[no]heading boolean [Y] Display column headings
-name boolean [@(!$(only))] Display 'name' column
-length boolean [@(!$(only))] Display 'length' column页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/69413931
复制相关文章
相似问题
腾讯云开发者
