如何在FASTA文件中找到基因的第一个碱基的编号？

Question

为了手动修改我拥有的.gff文件，我需要在我的动物的FASTA格式的基因组中找到我的基因的起始位置(即序列中的#碱基是什么？)。我有这个基因的序列。

我如何尽可能容易地做到这一点(这不是一种其基因组在互联网上很容易获得的动物)？

我所拥有的: FASTA格式的基因组；包含该有机体基因组注释的GFF文件(需要彻底更新)；该基因的序列。

谢谢!

Answer 1

如果您知道该基因序列与参考文献中的序列相同，请这样做(使用python)

import re
match = re.search(your_gene_seq, your_genome_seq)
if match:
    gene_start = match.start()
else:
    print("no match")

否则，你将需要将你的基因与参考基因进行成对的比对。

使用Biopython：

python -m pip install biopython

from Bio import pairwise2
# alignment scores: match = 5, mismatch = -4, gap open = -2, gap extend = -0.5
alignment = pairwise2.align.globalms(your_gene_seq, your_genome_seq, 5, -4, -2, -0.5)[0]
gene_start = alignment[3]

更新gff的步骤

使用biopython

https://biopython.org/wiki/GFF_Parsing