【问题标题】:Multiple sequence alignment file parsing多序列比对文件解析
【发布时间】:2022-01-05 23:28:02
【问题描述】:

我有一个多序列比对文件,如下所示

JF735120.1_1-200 TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC NC_009823.1_1-200 TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC KM349851.1_1-200 TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC JF735122.1_1-200 TCTTCACGCGGAAAGCGTCTAGCCATGGCGTTAGTACGAGTGTCGTGCAGCCTCCAGGCC AF177036.1_1-200 --TTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGAC ******* ******* ****************** ********* ********* ** *

如何使用 python 遍历文件查找星号符号并仅在星号的同一位置打印前一行?无需使用任何工具。 输出应该是这样的

TTCACGC GAAAGCG CTAGCCATGGCGTTAGTA GAGTGTCGT CAGCCTCCAGG C

【问题讨论】:

  • 您想要所有前一行(例如:5 TTCACGC 第一个 *******),还是仅前一行(例如 1 TTCACGC 第一个 *******)?
  • 您的示例输入的示例输出将会很有用。
  • 类似于 ["TTCACGC","GAAAGCG","CTAGCCATGGCGTTAGTA","GAGTGTCGT","CAGCCTCCAGG","C"] 的东西,可能还有每个的开始和结束位置

标签: python regex biopython


【解决方案1】:

文件内容c:/test.txt

JF735120.1_1-200       TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC
NC_009823.1_1-200      TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC
KM349851.1_1-200       TCTTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGCC
JF735122.1_1-200       TCTTCACGCGGAAAGCGTCTAGCCATGGCGTTAGTACGAGTGTCGTGCAGCCTCCAGGCC
AF177036.1_1-200       --TTCACGCAGAAAGCGTCTAGCCATGGCGTTAGTATGAGTGTCGTACAGCCTCCAGGAC
                         ******* ******* ****************** ********* *********** *
import re

p = re.compile('[*]+')

prev_l=""
with open('c:/test.txt') as my_file:
    for line in my_file:
        if re.match('[\s*]+',line) and prev_l:
            iterator = p.finditer(line)
            f=[prev_l[match.start():match.end()] for match in iterator]
            f
        else:
            prev_l=line

结果

['TTCACGC', 'GAAAGCG', 'CTAGCCATGGCGTTAGTA', 'GAGTGTCGT', 'CAGCCTCCAGG', 'C']

另一个带空格的选项

import re

p = re.compile('[*]+')

prev_l=""
p_end=0
with open('c:/test.txt') as my_file:
    for line in my_file:
        if re.match('[\s*]+',line) and prev_l:
            iterator = p.finditer(line)
            f=[]
            p=[]
            for match in iterator:
                f.append(prev_l[match.start():match.end()])
                if p_end != 0:
                    p.append(prev_l[p_end:match.start()])
                else:
                    if prev_l[match.start()-1] != '-':
                        p.append(prev_l[match.start()-1:match.start()])
                p_end=match.end()
            if p_end != len(prev_l):
                p.append(prev_l[p_end:len(prev_l)])
            p
            f
        else:
            prev_l=line.rstrip('\n')

结果

['A', 'T', 'T', 'A', 'A']
['TTCACGC', 'GAAAGCG', 'CTAGCCATGGCGTTAGTA', 'GAGTGTCGT', 'CAGCCTCCAGG', 'C']

【讨论】:

  • 非常聪明的答案。
  • @arutar 非常感谢。我很抱歉,但如果想要相反,意味着只获取下面没有星号的不同区域,怎么办?
  • 序列中的第一个字符是否可能是空格而不是星号?
  • 我添加了另一个选项
猜你喜欢
  • 1970-01-01
  • 2018-03-30
  • 2011-06-26
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2016-02-14
  • 2021-05-25
相关资源
最近更新 更多