在查找字符串中的主题和删除目标序列时的Biopython问题

Question

嗨，我有一个很大的FASTA文件，看上去像这样

>EMBOSS_001
GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT
>EMBOSS_002
CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003
CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004
CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我想找出所有具有特定主题的序列，并消除它们，例如，如果主题是TTTCCC，那么预期的输出应该是：

>EMBOSS_002 CTGATGCTAGTCCCGTGTCCCAAACACTTCCGCAGAAGATCGCCCCGGGGGGCGTGTACC
>EMBOSS_003 CGCGCATGGACTCCATCCGTGATCTTTTGAGGCCATGAGTCCAAGTTTACCTCGGATATA
>EMBOSS_004 CGACCCGCCATTCTCCATCGTAACTTAGTCACGACGACAGTCAGCTTGTTCGTTCGTTAT

我用Biopython编写了一段代码：

from Bio.Seq import Seq
import Bio.motifs as motifs
from Bio import SeqIO

instances = [Seq("TTTCCC")]
m = motifs.create(instances)

reads = list(SeqIO.parse("/Users/EMBOSS-6.6.0/emboss/genome.fa", "fasta"))

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print("%i %s" % (pos, seq))

然而，它只返回我的信息，开始的位置的主题，11个TTTCCC，我想返回的信息，也是序列，它被发现: EMBOSS_001 11 TTTCCC，另外，我想要代码，以消除该序列，其中发现的主题。

此外，我无法删除找到母题的字符串并将其写入输出。

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

Answer 1

我不能在本地测试这个问题，但是我将用一些代码解释如何解决这个问题。

如果文件结构如您所提到的，那么您可以导出的一点是，在检查实例的地方，它们发生在一条偶数行(例如n)上，它们所代表的序列只是n-1。因此，为了以这种格式输出EMBOSS_001 11 TTTCCC，最简单的方法是使用索引i作为计数器并确定顺序。

例如：reads[i-1]将为FASTA GTCATCACAGTTTTCCCCGCCCTGTATATGGCTAATAGGCCCTCGCAATCTCCGATAAAT提供序列>EMBOSS_001。若要删除>，请将其设置为reads[i-1][1:]。

要消除motif TTTCCC时的seq，有许多方法可以做到这一点。最简单的方法是对python对象使用del方法。这将简单地删除发生motif的序列和元素。

这可以很容易地完成，这就是您的代码中更改的方式。

for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i-1][1:],pos, seq))#should print in format EMBOSS_001 11 TTTCCC
        del reads[i-1:i]

希望这能解决这个问题。如果你遇到任何错误，请告诉我。

编辑：，我最初的写作意图应该是这样的--还添加了一个中断语句，看看它是否解决了问题。

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        print(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        del reads[i - 0:i]
        break 
SeqIO.write(reads, "/Users/EMBOSS-6.6.0/emboss/results6.fa", "fasta")

一旦找到了主题，就会消除这一序列。这意味着现在只应该将没有主题的字符串写入SeqIO.write()方法。

Answer 2

for i in range(len(reads)):
    for pos, seq in m.instances.search(reads[i].seq):
        seq_rem = str(" %s %i %s" % (reads[i - 0][1:], pos, seq))
        reads_dict = SeqIO.to_dict(reads)
        seq_rem = seq_rem.splitlines()[0][5:]
del reads_dict[seq_rem]
SeqIO.write(reads_dict.values(), "/Users/EMBOSS-6.6.0/emboss/results10.fa", "fasta")

我已经想出了这样的方法