python - 如何从 fasta 文件中删除重复项，但根据标题每组至少保留一个

Question

我有一个如下所示的 multifasta 文件:

(所有序列>100bp，多于一行，长度相同)

>Lineage1_samplenameA
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage2_samplenameB
AAATTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAG
>Lineage3_samplenameC
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage3_samplenameD
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA

我需要删除重复项，但至少要保持每个谱系的顺序。因此，在上面的这个简单示例中(注意 samplenameA、C 和 D 是相同的)，我只想删除 samplenameD 或 samplenameC，而不是同时删除它们。最后想得到和原文件一样的头信息。

示例输出:

>Lineage1_samplenameA
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage2_samplenameB
AAATTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAG
>Lineage3_samplenameC
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA

我找到了一种只删除重复项的方法。感谢皮埃尔·林登鲍姆。

sed -e '/^>/s/$/@/' -e 's/^>/#/'
file.fasta  |\
tr -d '\n' | tr "#" "\n" | tr "@"
"\t" |\
sort -u -t '  ' -f -k 2,2  |\
sed -e 's/^/>/' -e 's/\t/\n/'

在我上面的示例中运行它会导致:

>Lineage1_samplenameA
CGCTTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAA
>Lineage2_samplenameB
AAATTCAACGGAATGGATCTACGTTACAGCCTGCATAAAGAAAACGGAGTTGCCGAGGACGAAAGCGACTTTAGGTTCTGTCCGTTGTCTTTGGCGGAAG

—>所以失去了血统3序列

现在我只是在寻找一种快速解决方案来删除重复项，但基于 fasta header 每个谱系至少保留一个序列。

我是脚本新手...欢迎使用 bash/python/R 提出任何想法。

谢谢!!!

Answer 1

在这种情况下，我可以看到两个相对较好的替代方案。 A) 查看现有工具(例如 Biopython 库或 FASTX 工具包。我认为它们都有很好的命令来完成这里的大部分工作，因此学习它们可能是值得的。或者, B) 自己写。在这种情况下，您可能想尝试(我会坚持使用 python):

逐行遍历文件，并将谱系/序列数据添加到字典中。我建议使用序列作为键。这样，您可以很容易地知道您是否已经遇到过此 key 。

myfasta = {}
if myfasta[sequence]:
    myfasta[sequence].append(lineage_id)
else:
    myfasta[sequence] = [lineage_id]

这样您的键(序列)将保存具有相同序列的 lineage_ids 列表。请注意，此解决方案的烦人之处在于遍历文件、将 lineage-id 与序列分开、说明可能扩展到多行的序列等。

之后，您可以遍历字典，并仅使用字典中列表中的第一个 lineage_id 将序列写入文件。