python - 如何计算由另一种行分隔的一组行中的字符？

Question

我目前正在处理一个文本文件，其中包含 DNA 提取序列(重叠群)列表，每个序列都有一个标题，后面跟着几行核苷酸，这是该重叠群的核苷酸长度。有 120 个重叠群，每个条目都标有以“>”开头的行，表示序列信息。在该行之后，给出了该序列的核苷酸长度。

示例:

>gi|571136972|ref|XM_006625214.1| Plasmodium chabaudi chabaudi small subunit ribosomal protein 5 (Rps5) (rps5) mRNA, complete cds
ATGAGAAATATTTTATTAAAGAAAAAATTATATAATAGTAAAAATATTTATATTTTATATTATATTTTAATAATATTTAAAAGTATTTTTATTATTTTATTTAATAGTAAATATAATGTGAATTATTATTTATATAATAAAATTTATAATTTATTTATTATATATATAAAATTATATTATATTATAAATAATATATATTATAATAATAATTATTATTATATATATAATATGAATTATATA
TATTTTTATATTTATAAATATAATAGTTTAAATAATA
>gi|571136996|ref|XM_006625226.1| Plasmodium chabaudi chabaudi small subunit ribosomal protein 2 (Rps2) (rps2) mRNA, complete cds
ATGTTTATTACATTTAAAGATTTATTAAAATCTAAAATATATATAGGAAATAATTATAAAAATATTTATATTAATAATTATAAATTTATATATAAAATAAAATATAATTATTGTATTTTAAATTTTACATTAATTATATTATATTTATATAAATTATATTTATATATTTATAATATATCTATATTTAATAATAAAATTTTATTTATTATTAATAATAATTTAATTACAAATTTAATTATT
AATATATGTAATTTAACTAATAATTTTTATATTATTA

我想做的是列出每个重叠群。我的问题是，我不知道告诉 Python 所需的语法:

1. 找到以“>”开头的行之后的行
2. 计算该序列行中的所有字符
3. 将一个值返回到所有重叠群值的列表(该列表给出每个重叠群的长度列表，即 126、300、25...)
4. 确保计算最后一个重叠群(没有“>”来表示其结尾)。

我想要一个整数列表，以便我可以计算重叠群的平均长度、标准差、酷基因方程等。

我对编程还比较陌生。如果我不清楚或需要更多信息，请告诉我。

Answer 1

不要重新发明轮子，按照马丁的建议使用biopython。这是一个将序列 ID 和长度打印到终端的开始。您可以使用pip安装biopython，即pip install biopython

from Bio import SeqIO
import sys

FileIn = sys.argv[1]

handle = open(FileIn, 'rU')
SeqRecords = SeqIO.parse(handle, 'fasta')
for record in SeqRecords:   #loop through each fasta entry
   length = len(record.seq)    #get sequence length
   print "%s: %i bp" % (record.id, length)     #print sequence ID: seq length

或者您可以将结果存储在字典中:

handle = open(FileIn, 'rU')
sequence_lengths = {}
SeqRecords = SeqIO.parse(handle, 'fasta')
for record in SeqRecords:   #loop through each fasta entry
    length = len(record.seq)    #get sequence length
    sequence_lengths[record.id] = length

#access dictionary outside of loop
print sequence_lengths