python - 将 Fasta 序列与多播文件的子字符串进行比较并更改 ID 名称

Question

我正在尝试比较两个 multifasta 文件。一种具有 microRNA 前体 (70nt)，另一种具有成熟的 microRNA (22nt)。我想将成熟的 microRNA 与前体文件的前 20 nt 进行比较，如果包含该序列，我希望它将成熟的 microRNA 中的 ID 更改为 >ID_5p。到目前为止，我编写了一个脚本，它给出的输出只是我的成熟文件中多次复制的一些序列。你能帮我吗？

from Bio import SeqIO

for mature in SeqIO.parse("mature_microRNAs_final.txt", "fasta"):
    mature.id
    repr(mature.seq)
    len(mature)

    for precursors in SeqIO.parse("precursors_microRNAs_final.txt", "fasta"):
        precursors.id, precursors.seq, len(precursors.seq)
        precursors_5p = precursors.seq[0:20]

        for seq in mature:
            if mature.seq == precursors_5p:
                print(mature.id+"_5p" , "\n" + mature.seq)

Answer 1

这里不需要嵌套循环(这会导致重复输出)，而是存储相关的前体序列并与成熟序列进行比较:

from Bio import SeqIO

precursors = {
    record.seq[:20] for record in SeqIO.parse("precursors_microRNAs_final.txt", "fasta")
}

for record in SeqIO.parse("mature_microRNAs_final.txt", "fasta"):
    if record.seq[:20] in precursors:
        record.id += "_5p"
        record.description = record.id + " " + record.description.split(" ", 1)[1]
    print(record.format("fasta"))

请注意，我假设您只希望成熟记录的前 20 个核苷酸与前体记录的前 20 个核苷酸中的任何一个相同。该解决方案可以适应其他标准。