gpt4 book ai didi

python-3.x - 按序列大小对 fasta 进行排序

转载 作者:行者123 更新时间:2023-12-03 11:25:41 26 4
gpt4 key购买 nike

我目前想按序列大小对 hudge fasta 文件(+10**8 行和序列)进行排序。 fasta 是生物学中用于存储序列(遗传或蛋白质)的明确定义的格式:

>id1

sequence 1 # 可以在几行

>id2

序列 2

...

我运行了一个以 tsv 格式提供给我的工具:

标识符、长度和标识符的字节位置。

现在我正在做的是按长度列对这个文件进行排序,然后我解析这个文件并使用 seek 来检索相应的序列,然后将它附加到一个新文件。

# this fonction will get the sequence using seek
def get_seq(file, bites):

with open(file) as f_:
f_.seek(bites, 0) # go to the line of interest
line = f_.readline().strip() # this line is the begin of the
#sequence
to_return = "" # init the string which will contains the sequence

while not line.startswith('>') or not line: # while we do not
# encounter another identifiant
to_return += line
line = f_.readline().strip()

return to_return
# simply append to a file the id and the sequence
def write_seq(out_file, id_, sequence):

with open(out_file, 'a') as out_file:
out_file.write('>{}\n{}\n'.format(id_.strip(), sequence))

# main loop will parse the index file and call the function defined below
with open(args.fai) as ref:

indice = 0

for line in ref:

spt = line.split()
id_ = spt[0]
seq = get_seq(args.i, int(spt[2]))
write_seq(out_file=args.out, id_=id_, sequence=seq)

我的问题是以下真的很慢这正常吗(需要几天)?我有另一种方法吗?我不是一个纯粹的信息学家,所以我可能会漏掉一些要点,但我相信索引文件并使用搜索是实现这一目标的最佳方式,我错了吗?

最佳答案

似乎为每个序列打开两个文件可能对运行时间有很大影响。您可以将文件句柄而不是文件名传递给您的获取/写入函数,但我建议使用已建立的 fasta 解析器/索引器,如 biopython 或 samtools。这是一个使用 samtools 的(未经测试的)解决方案:

subprocess.call(["samtools", "faidx", args.i])
with open(args.fai) as ref:

for line in ref:

spt = line.split()
id_ = spt[0]
subprocess.call(["samtools", "faidx", args.i, id_, ">>", args.out], shell=True)

关于python-3.x - 按序列大小对 fasta 进行排序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41239521/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com