我试图比较两个文件并提取具有其他子集的序列 . 而且,我也想提取标识符 . 但是,我能做的是能够提取包括子集的序列 . 示例文件是:
text.fa
>header1
ETTTHAASCISATTVQEQ*TLFRLLP
>header2
SKSPCSDSDY**AAA
>header3
SSGAVAAAPTTA
和,
textref.fa
>textref.fa
CISA
AAAP
AATP
当我运行代码时,我有这个输出:
ETTTHAASCISATTVQEQ*TLFRLLP
SSGAVAAAPTTA
但是,我的预期输出是 Headers :
>header1
ETTTHAASCISATTVQEQ*TLFRLLP
>header3
SSGAVAAAPTTA
我的代码分为两部分,首先我使用这些序列创建文件,然后我尝试使用原始fasta文件中的 Headers 提取它们:
def get_nucl(filename):
with open(filename,'r') as fd:
nucl = []
for line in fd:
if line[0]!='>':
nucl.append(line.strip())
return nucl
def finding(filename,reffile):
nucl = get_nucl(filename)
with open(reffile,'r') as reffile2:
for line in reffile2:
for element in nucl:
if line.strip() in element:
yield(element)
with open('sequencesmatched.txt','w') as output:
results = finding('text.fa','textref.fa',)
for res in results:
print(res)
output.write(res + '\n')
所以,在这个 sequencesmatched.txt
中,我的 text.fa
的序列具有 textref.fa
的子串 . 如:
ETTTHAASCISATTVQEQ*TLFRLLP
SSGAVAAAPTTA
所以在另一部分中,要检索相应的 Headers 和这些序列:
def finding(filename,seqfile):
with open(filename,'r') as fastafile:
with open(seqfile,'r') as sequf:
alls=[]
for line in fastafile:
alls.append(line.strip())
print(alls)
sequfs = []
for line2 in sequf:
sequfs.append(line2.strip())
if str(line.strip()) == str(line2.strip()):
num = alls.index(line.strip())
print(alls[num-1] + line)
print(finding('text.fa','sequencesmatched.txt'))
但是,作为输出,我只能检索一个序列,这是第一个匹配:
>header1
ETTTHAASCISATTVQEQ*TLFRLLP
也许我可以在没有第二个文件的情况下完成它,但我无法制作正确的循环来获取序列及其各自的 Headers . 因此,我走了很长的路..
如果你能提供帮助,我会很高兴的!
1 回答
如果您的文件始终具有相同的结构,则可以更轻松地执行某些操作:
在这里,我假设您的文件以">headern"开头,无论如何,您必须添加一些测试 . 现在你有一个像
headers['header1'] = 'ETTTHAASCISATTVQEQ*TLFRLLP'
这样的词典 .所以现在找到你刚刚使用那个dict的匹配:
因此,当您有一个带有与其值匹配的标头的dict时,您可以只检查dict是否有子字符串,并且您已经将标头值作为键 .
刚刚看到你做了
print(finding(....)
,你的功能已经打印出来,所以就这么说吧 .