基于gff特性的Biopython解析提取CDS

Question

你好，我正在尝试从一个fasta文件中提取编码序列，它使用一个gff文件，借助biopython (https://biopython.org/wiki/GFF_Parsing)。

我试过做本教程所描述的事情，但有些事情我似乎因为某些原因而不正确:当我迭代序列记录的特性时，只有'gff_type':'gene‘是被识别的。

下面是我的gff文件的一个示例：

​

如您所见，我的文件清楚地包含了gff_type='CDS‘条目

但是当我运行这样一个简单的脚本时：

for rec in GFF.parse(in_handle):
    for feature in rec.features:
        if feature.type == 'CDS':
            print(feature)

不返回任何输出。当我运行这样的东西时：

for rec in GFF.parse(in_handle):
    print(rec.features)
    break

SeqFeature(FeatureLocation(ExactPosition(2951), ExactPosition(4284), strand=-1), type='gene', id='Csa1G000010'), 
SeqFeature(FeatureLocation(ExactPosition(5473), ExactPosition(14089), strand=-1), type='gene', id='Csa1G000020'), 
SeqFeature(FeatureLocation(ExactPosition(18683), ExactPosition(21806), strand=1), type='gene', id='Csa1G000030'),
...

有两件事我不明白：

• 为什么只有type=' gene‘特征在
• 上迭代--在我的脚本中有一个中断，所以应该只迭代一个序列记录，如果一个序列记录被确定为所有单个ID的出现(例如Chr1)，并且“功能”是这个ID的每个基因，而不是CDS？(CDS和gene都列在可能的gff_type值中，所以我不明白为什么其中一个会比另一个更好)

gff_type: {('CDS',):117359, ('exon',):120675, ('five_prime_utr',):16038, ('gene',):24274, ('mRNA',):24274, ('three_prime_utr',):15588}

我觉得我的解决方案是在每个基因中迭代，然后那样提取CDS，但是没有SeqRecord.feature.feature属性。

然而，有一个SeqRecord.feature.sub_feature属性，导致在基因中对mRNA进行迭代(其中只有1)，但是没有sub_sub_feature (我用dir检查过)。

所以我被这个问题困住了，这个问题看起来非常简单。我知道我可以像txt一样迭代gff文件，使用选项卡分离，但是我试图更多地了解Biopython，但是没有用(不幸的是，Biopython文档也很糟糕)。我希望有人知道怎么让我上路。

亲切的问候

Answer 1

其结构为基因->、mRNA、->外显子、CDS、CDS等3'UTR等序列。外显子或CDS为sub_features of mRNA，而非基因sub_sub_features。

请参阅查看您的GFF文件在这里：https://biopython.org/wiki/GFF_Parsing