python - 使用 BioPython 根据限制序列过滤 FASTA 文件

Question

我有一个 fasta 文件。从该文件中，我需要获取包含 'CCNNNGG' 的唯一序列(其中 'N' 代表随机核苷酸)，并将它们放入新的 fasta 文件中。

示例(它应该输出第一个序列):

m121012_054644_42133_c100390582550000001523038311021245_s1_p0/7/3312_3597 CGCGGCATCGAATTAATACGACTCACTATAGGTTTTTTTATTG*********CCTACGG***********GTATTTTCAGTTAGATTCTTTCTTCTTAGAGGGTACAGAGAAAGGGAGAAAATAGCTACAGACATGGGAGTGAAAGGTAGGAAGAAGAGCGAAGCAGACATTATTCA

m121012_054644_42133_c100390582550000001523038311021245_s1_p0/7/3708_4657 CAACGGTTTTGCCACAAGATCAGGAACATAAGTCACCAGACTCAATTCATCCCCATAAGACCTCGGACCTCTCAATCCTCGAATTAGGATGTTCTCGTACGGTCTATCAGTATATAAACCTGACATACTATAAAAAAGTATACCAT TCTTATCATGTACAGTAGGGTACAGTAGG

(添加*用于突出显示)

我的代码:

 from Bio import SeqIO 


    my_sequences = []
    for record in SeqIO.parse(open("example.fa", "rU"), "fasta") :
         if "CCTACGG" in record.seq :                #Works fine with CCTACGG

            my_sequences.append(record)



    output_handle = open("my_seqs.fasta", "w")
    SeqIO.write(my_sequences, output_handle, "fasta")
    output_handle.close()

我的问题是我不知道如何编写随机核苷酸，而不是在 if 之后写 "CCTACGG" 我想把 'CCNNNGG' ，其中 N 代表随机核苷酸('C' 或 'T' 或 'G'或'A')。

Answer 1

您可以使用正则表达式来执行此操作，通过 Python 的 re module :

import re

pattern = 'CCNNNGG'
regex = re.compile(pattern.replace('N', '[ACGT]'))
for record in SeqIO.parse(...):
    if re.search(regex, record.seq) is not None:
        my_sequences.append(record)

这会将模式中的每个 'N' 替换为 '[ACGT]'，它将匹配这四个字符中的任何一个，然后在每个字符中搜索该模式record.seq。

另外，请注意，您的示例不是很好 - 第二个示例也匹配该模式(它包含 'CCCATGG') - 请参阅 results !