python - 使用 block 切割 DNA 序列

Question

我想制作一个Python程序，其中在文本文件中给出DNA序列。它有超过9000个字符。我必须将序列剪成 3 个字符所以我们的框架从1到3读取，然后4到6，然后7到9，这被称为密码子。

例如，序列是

ACCTGCCTCTTACGAGGCGACACTCCACCATGGATCACTCCCCTGTGAGGAACTACTGTCTTCACGCAGA

那么我必须把它剪成3个字符。我已经做到了。我的问题是如何从给定的 DNA 中取出 GENE 序列？ GENE 序列从 ATG 开始，到 TAG 或 TAA 或 TGA 结束。

如果我使用正则表达式，这很容易做到。但问题是，如果你看一下上面的序列，ATG 就会从第 30 位上升到第 32 位。我们的框架从 1 到 3 读取，然后从 4 到 6 读取。在这种情况下，当它达到28 到 30 时，它不会生成ATG。

有人能理解我的问题并帮助我吗？我现在分享我的代码:

import numpy as np
import pandas as pd
import re
from pathlib import Path
dna = Path('C:/Users/abdul/Downloads/Compressed/MAJU/HCV-PK1-sequence - 
edited.txt').read_text()
l = [c for c in dna if c!='\n']
r = len(l)
for x in range(0,r,3):
    y=x+3
    codon = l[x:y]
    a = ''.join(codon)
    print(a)
if(a == re.findall('ATG(...)+?(TAG|TAA|TGA)', dna)):
    print("Yes")

Answer 1

像这样循环 3 个阅读框:

dna = ''.join(dna)
for frame in [0,1,2]:
    codons = [dna[x:x+3] for x in range(frame,len(dna)-2,3)]

但正确的答案是安装biopython并使用它的序列操作函数。它还将帮助您从文件中读取序列。

不使用biopython的解决方案:

def find_orf(seq,start):
    for pos in range(start+3,len(seq)-2,3):
        codon = seq[pos:pos+3]
        if codon in ['TAA','TAG','TGA']:
            return seq[start:pos+3]
    return seq[start:] # if we don't find inframe stop codon return whole sequence from start codon to end


# Assuming seq is a string, not a list of characters:
seq = 'ACCTGCCTCTTACGAGGCGACACTCCACCATGGATCACTCCCCTGTGAGGAACTACTGTCAGCCTAATTAATAAGGTAAC'
orfs = []
for frame in [0,1,2]:
    for pos in range(frame,len(seq)-2,3):
        codon = seq[pos:pos+3]
        if codon == 'ATG':
            orf = find_orf(seq,pos)
            orfs.append(orf)

print(orfs)