从fasta文件估计Biopython中的字母表

Question

我正在寻找一种方法来读取Biopython中的.fasta文件，并有包估计，如果我们是处理脱氧核糖核酸，核糖核酸或蛋白质。到目前为止，我像这样读取数据：

with open('file.fasta', 'r') as f:
    for seq in sio.parse(f, 'fasta'):
        # do stuff, depending on alphabet

我的问题是现在我不知道我将在.fasta文件中找到什么样的序列。它可以是蛋白质、DNA或RNA，但我必须知道字母表中的字母数。

有没有办法用Biopython从序列中“估计”字母表？我意识到一种蛋白质可能只包含字母ACGT，这就是为什么我想要估计字母表的原因。

Answer 1

对于小的序列来说，这是非常困难的。例如，序列ACGCGACAGA可以是脱氧核糖核酸、核糖核酸或蛋白质序列，因为字母A、C和G对于所有三个字母都是通用的。在没有其他知识的情况下，不可能估计哪个是最佳匹配。

下面的代码将打印出给定FASTA文件中第一条记录所属的所有字母表：

from Bio import SeqIO
from Bio.Alphabet.IUPAC import *

alphabets = [extended_protein,  ambiguous_dna, unambiguous_dna, extended_dna, ambiguous_rna, unambiguous_rna]

def validate(seq, alphabet):
    "Checks that a sequence only contains values from an alphabet"
    # inspired by https://www.biostars.org/p/102/
    leftover = set(str(seq).upper()) - set(alphabet.letters)
    return not leftover

with open("example.fasta") as handle:
    first_record = list(SeqIO.parse(handle, "fasta"))[0]
    valid_alphabets = [str(alphabet) for alphabet in alphabets if validate(first_record.seq, alphabet)]
    print("Valid alpahabet(s) for fasta file: {}".format(', '.join(valid_alphabets)))

因此，对于序列ACGCGACAGA，将打印以下内容：

Valid alpahabet(s) for fasta file: ExtendedIUPACProtein(), IUPACAmbiguousDNA(), IUPACUnambiguousDNA(), ExtendedIUPACDNA(), IUPACAmbiguousRNA(), IUPACUnambiguousRNA()

但是对于序列MKQHKAMIVALIVICITAVVAALVTRKDLCEVHIRTGQTEVAVFX，它将打印：

Valid alpahabet(s) for fasta file: ExtendedIUPACProtein()