没有基因组序列的GBK文件的Biopython解析

Question

我编写了一个脚本，它使用GenBank文件和Biopython从GBK文件的序列部分获取给定基因的序列，我的同事在他们的工作中使用该序列。

我们现在在一个新的数据集上遇到了一些问题，结果是下载的GBK文件没有包含序列(从NCBI的GenBank网站下载时很容易发生这种情况)。Biopython没有抛出错误，而是在使用record.seq[start:end]时返回很长的Ns序列。从一开始就抓住这个问题的最简单的方法是用错误消息停止脚本吗？

Answer 1

对，我找到了办法。如果我计算序列中的Ns，并检查是否有长序列那么多，我知道序列丢失了：

import sys
from Bio import SeqIO    

for seq_record in SeqIO.parse("sequence.gb", "genbank"):
  sequence = seq_record.seq
  if len(sequence) == sequence.count("N"):
    sys.exit("There seems to be no sequence in your GenBank file!")

我更喜欢检查序列类型的解决方案，因为空序列是Bio.Seq.UnknownSeq，而不是真实序列的Bio.Seq.Seq，如果有人能在这个方向上提出建议，我会很感激。

更新

@xbello让我再次尝试检查序列类型，现在也起作用了：

import sys, Bio
from Bio import SeqIO    

for seq_record in SeqIO.parse("sequence.gb", "genbank"):
  sequence = seq_record.seq
  if isinstance(sequence, Bio.Seq.UnknownSeq):
    sys.exit("There seems to be no sequence in your GenBank file!")