使用biopython处理序列数据

欢迎关注”生信修炼手册”!

序列是基因组学数据的基本单位，对于序列先关信息的存储，有以下两种常用的文件格式

1. fasta

2. genebank

通过biopython, 我们可以方便的读取这些格式的文件，并提取其中的信息。具体地，通过以下3个子模块来处理序列数据

1. Bio.Seq

2. Bio.SeqRecore

3. Bio.SeqIO

其中Bio.Seq表示最原始的序列对象，是最核心的模块，提供了序列的格式化，反向互补，碱基计数等基本功能；Bio.SeqRecord表示序列记录，在序列对象的基础上，进一步添加了序列的id, 名称，属性等各种注释信息；Bio.SeqIO模块则用于读取特定的文件格式，返回 SeqRecord对象。

1. Bio.Seq

Bio.Seq提供了最核心的序列对象，即由基本字符构成的序列，比如核酸序列和蛋白质序列，初始化方式如下

在该模块中，为序列对象提供了python字符的基础操作，比如比较，大小写转换，切片，切分，连接， 格式化等操作，具体用法如

除了基本用法之外，还提供了生物学序列特有的功能，比如互补，反向互补，转录，翻译等，具体用法如下

2. Bio.SeqRecord

Bio.SeqRecord在序列的基础上，进一步存储了相关的注释信息，初始化的方式如下

SeqRecord具有id, name等多个属性，示例如下

除了以上基本属性外，还具有annotations和lette_annotations两个属性，进一步丰富了注释信息，annotations属性是一个字典结构，通过key=value的形式可以存储不同类别的注释信息，letter_annotations属性也是一个字典结构，但是其中的value值是长度等于序列长度的列表，主要用于存储每个碱基对应的信息，示例如下

3. Bio.SeqIO

Bio.SeqIO用于文件的读写，支持多种文件格式，对于序列的存储格式fasta和genebank而言，读取的方式如下

在每个for循环中，返回的是SeqRecord对象，可以通过SeqRecord对象的方法来访问各种信息。除了for循环的遍历，也可以直接返回列表，示例如下

该模块也支持序列对象的写入操作，最典型的应用就是序列格式的转换，genebank转换为fasta格式，代码如下

write方法提供了输出功能，将序列对象输出到指定格式的文件中，针对格式转换这一常见场景，用法如下

以上3个子模块层层渐进，构建了biopython处理序列数据的完整生态，对于使用者而言，通过简单的几句代码，就可以完成基本的序列操作，对于开发者而言，其class的抽象设计，方法编写都值得参考借鉴。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。