提取具有特定fasta ID的fasta序列块

Question

我是python的新手，我试着浏览了这里所有与我想要的相关的问题，但还没有得到答案。我想提取文件中具有特定fasta ID的连续fasta序列的块，并将序列写在单独的文件中。文件内容是异构的(在某些地方，fasta is后面没有序列)。输入文件如下所示：

 >ENS00000004062_species1
 >ENS00000004062_species2
 >ENS00000004062_species3
  ATGGGCTTTTCCACAGAGCTTGCAT
 >ENS00000004062_species4
  ATGGGCTTTTCCACAGAGCTTGCAAC
 >ENS00000006504_species2
  CTCTTTGACCCTCCCCATCAGGTTCA
 >ENS00000006504_species3
  CTCTGACCCTCCCCACCAGGTTCAGGG
  CTGGGAGGTGCACTCCAGGGATTC
 >ENS00000006504_species4

……加上许多其他序列和不同的ID，但物种和fasta ID的模式相同。

例如，如果我想用ENS00000006504提取序列，我想要它们的整个fasta描述以及它后面的序列，但是当它识别出一个新的fasta ID时，它应该停止。我有这段代码，但它没有做任何有意义的事情。它识别包含标志ID的第一行，但随后会打印所有内容。

 flag = 'ENSBTAT00000006504'
 with open(file_name) as file:
    for line in file:
       if flag in line:
          lines = file.readlines()
          print(lines)

我希望我已经说得很清楚了，但如果有必要的话，我愿意接受更多的澄清。谢谢。

Answer 1

from Bio import SeqIO

input_file = open('file.fasta','r')
output_file = open('result.fasta','a')
for key in SeqIO.parse(input_file, 'fasta'):
    entry_name = key.name
    if key.name in ['ENSBTAT00000006504']: #Here you can list several IDs
        output_file.write(str('>' + (key.id)) + '\n')
        output_file.write(str(key.seq[0:]) + '\n') 
output_file.close()
input_file.close()

Answer 2

from Bio import SeqIO

input_file = "your_file.fa"
flag = 'ENSBTAT00000006504'
selected_seqs = list()

for seq_record in SeqIO.parse(input_file, 'fasta'):
    if flag in seq_record.name:
        selected_seqs.append(seq_record)

SeqIO.write(selected_seqs, "new_filename.fa", "fasta")

这使用了更多的biopython。

Biopython Tutorial

Reading sequence files

Writing sequence files

备注：

• 此选项不会仅/明确地选择连续的序列，而是选择包含该标志的序列。(因为FASTA文件更像字典，排序没有meaning [biopyhton doc on reading FASTA as dict])
• seq_record可以有许多属性，如.name、.id、.description等。请检查您的标志所在的位置，并在必要时进行调整。