验证蛋白质序列

Question

在某些情况下，我有一些字符不对应于蛋白质的序列。

>ISAnsp8_orf1
MRKSRFTEEQIAHALRQVDAGVPAAELCRKLGISEQTFYAWKKKYAGMGIAEMRRVKQLEDENRRLKTLVADLTLDKHMLQEVLRKKF
>IS3_orf1
UGAAGAGCUGGCUAUCCUCCAAAAGGCCGCGACAUACUUCGCGAAGCGCC
>IS3_orf2
..............................(((((((((((......[[[
>IS3_orf3
UGAAAUGAAGUAUGUCUUUAUUGAAAAACAUCAGGCUGAGUUCAGCAUCA
>IS3_orf4
[[[..)))))))))))..............]]]]]]
>IS3_orf5
AAGCAAUGUGCCGCGUGCUCCGGGUGGCCCGCA
>IS3_orf7
MTKTVSTSKKPRKQHSPEFRSEALKLAERIGVTAAARELSLYESQLYNWRSKQQNQQTSSERELEMSTEIARLKRQLAERDEELAILQKAATYFAKRLK

因为我想验证之前的序列以保存在另一个文件中，所以我编写了这个代码来测试验证方法。这是罕见的，因为我习惯了不同的序列，其中包括非蛋白字符(但它仍然给我的答案是真实的。)

测试所有三种可能的“序列”答案是相同的(错误)

import sys
from Bio.Seq import Seq
from Bio.Alphabet import IUPAC, ProteinAlphabet

sequence = sys.argv[1]
#sequence = '((((((((((('
#sequence = 'TGEKPYVCQECGKAFNCSSYLSKHQR'

my_prot = Seq(sequence, alphabet=IUPAC.IUPACProtein)

print isinstance(my_prot.alphabet, ProteinAlphabet)     

if isinstance(my_prot.alphabet, ProteinAlphabet) == True:
  print 'ok' , isinstance(my_prot.alphabet, ProteinAlphabet)
else:
  print 'no'

Answer 1

在启动Seq或类似对象时，Biopython目前不提供字母表验证(主要原因是性能成本过高)。围绕这一点有很多讨论，未来的情况可能会改变；事实上，第一个Biopython增强提案(BEP)是关于在Biopython中使用字母表。

无论如何，为了解决目前的问题，Biopython中隐藏了一个_verify_alphabet函数，尽管它是“私有的”，但我认为没有理由不使用它：

from Bio.Seq import Seq
from Bio.Alphabet import IUPAC, _verify_alphabet

sequences = ['TGEKPYVCQECGKAFNCSSYLSKHQR', '(((((((((((']

for sequence in sequences:
    my_prot = Seq(sequence, IUPAC.protein)
    print(my_prot, _verify_alphabet(my_prot))

输出(在Python3.6中，Bio版本1.73dev)：

TGEKPYVCQECGKAFNCSSYLSKHQR True
((((((((((( False

Answer 2

显然Biopython删除了Bio.Alphabet

从https://www.biostars.org/p/102/复制

您可以使用：

import re

def validate(seq, alphabet='dna'):
    
    alphabets = {'dna': re.compile('^[acgtn]*$', re.I), 
             'protein': re.compile('^[acdefghiklmnpqrstvwy]*$', re.I)}


    if alphabets[alphabet].search(seq) is not None:
         return True
    else:
         return False


sequences = ['TGEKPYVCQECGKAFNCSSYLSKHQR', '(((((((((((']

for sequence in sequences:
    
    print(validate(sequence, 'protein'))

产出：

True
False