Python:如何在输出中输出正确的染色体名称？

Question

当我尝试修改染色体名称不在我的输入文件染色体名称之后的代码时，我遇到了这个错误。基本上下面的代码是读取输入文件并通知较短序列的位置，并根据文件中给出的信息输出位置序列。例如在 chr4 中:154742507-154742714，值 151 表示第一碱基的位置，'CCCAGGCTGG' 位置为 173 - 182。因此使用下面的代码应该能够通过将 173 添加到 154742507 并获得下面的输出。谁能帮帮我？

下面是带有示例输入文本文件的代码。

输入.txt

chr4:154742507-154742714


                           CCCAGGCTGG
151  AGTCTTGCTTTTTTTGTCGTTGCCCAGGCTGGAGTGCAGTGGCACCATCTCGGCTCAC


chr9:47303792-47303999

      CCAGCCTGGG
1    TCCAGCCTGGGTGACAGCGTGAGGCTCTTGTCTCAAATAGAAAAAAAACAAAGAACAAAAAACAAAAAACCACCA

输出

chr1    154742680   154742690
chr1    47303794    47303804

预期输出

chr4    154742680   154742690
chr9    47303794    47303804

代码

import re  # regular expressions, not needed (alternatives: the `split` method) but convenient

result = []
output_file=open('output.bed','w')
with open('Input.txt') as f:
    for line in f:
        if line.startswith('chr'):
            label = line.strip()
        elif line[0] == ' ':
            # short sequence
            length = len(line.strip())
            # find the index of the beginning of the short sequence
            for i, c in enumerate(line):
                if c.isalpha():
                    short_index = i
                    break
        elif line[0].isdigit():
            # long sequence
            n = line.split(' ')[0]
            # find the index of the beginning of the long sequence
            for i, c in enumerate(line):
                if c.isalpha():
                    long_index = i
                    break
            start = int(n) + short_index - long_index
            start -= 1
            end = start + length
            result.append('{} {} {}'.format(label, start, end))
            offset, n, start, length = 0, 0, 0, 0
output_line= "\n".join(result)
output_file.write(output_line)
output_file.close()

output_file=open('last_output.bed','w')
with open('output.bed') as fin:
    for line in fin:
        start, _, offset_start, offset_end = re.search(r'[^:]*:(\d+)\D+(\d+)\D+(\d+)\D+(\d+)', line).groups()
        output_line=('chr1\t{}\t{}\n'.format(int(start) + int(offset_start) + 1,int(start) + int(offset_end) + 1))
        output_file.write(output_line)
output_file.close()

Answer 1

如果我对问题的理解正确，那么您遇到的问题仅与错误输出的染色体编号 (chr##) 有关。

这似乎有点明显。在代码的末尾，您要对其进行硬编码:

output_line=('chr1\t{}\t{}\n'.format(stuff))

如果您不希望输出始终显示 chr1，则需要对其进行更改。

上一行的正则表达式似乎与文件中的染色体编号相匹配，您只是没有将其捕获到稍后可以使用的组中。尝试:

chromosome, start, _, offset_start, offset_end = re.search(r'([^:]*):(\d+)\D+(\d+)\D+(\d+)\D+(\d+)', line).groups()
output_line=('{}\t{}\t{}\n'.format(chromosome, int(start) + int(offset_start) + 1,int(start) + int(offset_end) + 1))

这仍然很丑陋，但应该可以。请注意，如果您从初始循环中获得正确的输出，而不是写出中间格式然后需要重新解析它，将会容易得多。